Python特征选择--⽅差特征选择
（Removingfeatureswithlowvar。。。
最近在看Python中机器学习之特征选择，为了避免遗忘，特记⼀波。
Removing features with low variance，即低⽅差过滤特征选择。其原理也是⽐较简单，计算样本中每⼀个特征值所对应的⽅差，如果低于阈值，则进⾏过滤（剔除）。默认情况下，将会剔除所有零⽅差特征，⽅差为0表⽰样本的特征取值没发⽣变化。
假设我们有⼀个特征是由0和1组成的数据集，利⽤Removing features with low variance⽅法移除那些在整个数据集中特征值为0或者为1的⽐例超过p（同⼀类样本所占的⽐例）的特征。0 1 组成的数据集满⾜伯努利（ Bernoulli ）分布，因此其特征变量的⽅差为：p(1-p)。
在Removing features with low variance⽅法中，将剔除⽅差低于p(1-p)的特征。在Pyhon的sklearn模块中，具有该⽅法的实现，具体使⽤如下。
from sklearn.feature_lection import VarianceThreshold #导⼊python的相关模块
X=[[0,0,1],[0,1,0],[1,0,0],[0,1,1],[0,1,0],[0,1,1]]#其中包含6个样本，每个样本包含3个特征。
l=VarianceThreshold(threshold=(0.8*(1-0.8)))#表⽰剔除特征的⽅差⼤于阈值的特征Removing features with low variance
l.fit_transform(X)#返回的结果为选择的特征矩阵
print(l.fit_transform(X))#
输出结果为：
发现剔除的是第⼀个特征，保留的是后2个特征。从第⼀列特征可以看出。1的个数为1个，0为5个，0的⽐例为5/6，超过了0.8，且
5/36<4/25(阈值).因此将此特征剔除，形成新的特征矩阵。
