一：方差选择法：使用方差作为特征评分标准，如果某个特征的取值差异不大，通常认为该特征对区分样本的贡献度不大因此在构造特征过程中去掉方差小于阈值特征

from sklearn.datasets import  load_iris
iris=load_iris()
print('iris特征名称\n',iris.feature_names)
print('iris特征矩阵\n',iris.data)
#特征选择——方差选择法
from sklearn.feature_selection import  VarianceThreshold
vt = VarianceThreshold(threshold = 1)#threshold为方差的阈值，默认为0
vt = vt.fit_transform(iris.data)#函数返回值为特征选择后的特征
print('方差选择法选择的特征\n',vt)
#小结：只保留第三列，其他的都去掉了

二.单变量特征选择采用卡方检验法（相关性）（分类问题）使用统计量卡方检验作为特征评分标准，卡方检验值越大，相关性越强（卡方检验是评判定性自变量对定性变量相关性的统计量）

#载入数据
from sklearn.datasets import load_iris
iris = load_iris()
#特征选择
from sklearn.feature_selection import SelectKBest #移除topK外的特征
from sklearn.feature_selection import  chi2 #卡方检验
skb = SelectKBest(chi2,k=2)
new_data  = skb.fit_transform(iris.data,iris.target)
new_data
#保留了第三列，第四列，其他的都去掉

三.单变量特征选择采用皮尔森相关系数法（相关性）（回归问题）使用pearson系数作为特征评分标准。相关系数绝对值越大，相关性越强（相关系数越接近1或-1时，相关系越强；相关系数越接近0时，相关性越弱）特点：皮尔森相关系数能够衡量线性相关的特征集

#载入数据
from sklearn.datasets import load_iris
irisdata = load_iris()
#特征选择
from sklearn.feature_selection import SelectKBest #移除topK外的特征
from scipy.stats import pearsonr   #计算皮尔森相关系数
from numpy import array
'''
函数返回值：保留topk特征，移除topk外的特征
#第一个参数：皮尔森相关系数（输入特征矩阵和目标向量，输入二元组（评分，p），二数组第i项为第i个特征的评分和p值）
#第二个参数：topk个数
'''
skb = SelectKBest(lambda X,Y:tuple(map(tuple,array(list(map(lambda x:pearsonr(x,Y),X.T))).T)),k=3)
skb = skb.fit_transform(irisdata.data,irisdata.target)
skb
#保留三个特征