数据挖掘-特征选择方法：方差过滤，相关性过滤

特征选择

数据预处理完成后，就进入特征工程
特征工程包括特征提取、特征创造、特征选择
特征提取(feature extraction)
从文字，图像，声音等其他非结构化数据中提取新信息作为特征。比如说，从淘宝宝贝的名称中提取出产品类别，产品颜色，是否是网红产品等等。

特征创造(feature creation)
把现有特征进行组合，或互相计算，得到新的特征。比如说，我们有一列特征是速度，一列特征是距离，我们就可以通过让两列相处，创造新的特征：通过距离所花的时间。

特征选择(feature selection)
从所有的特征中，选择出有意义，对模型有帮助的特征，以避免必须将所有特征都导入模型去训练的情况

特征工程的第一步是：理解业务

导入数据

import pandas as pd
data = pd.read_csv(r"D:\digit recognizor.csv")
x = data.iloc[:,1:]
y = data.iloc[:,0]
x.shape #（42000，784） 7百多列

这个数据集维度大，如果使用支持向量机和神经网络，会直接跑不出来，使用knn跑大概需要半小时，用这个数据可以证明特征工程的重要性

1、Filter过滤法

方差过滤

这是通过特征本身的方差来筛选特征的类。比如一个特征本身的方差很小，就表示样本在这个特征上基本没有差异，可能特征中的大多数值都一样，甚至整个特征的取值都相同，那这个特征对于样本区分没有什么作用。所以无论接下来的特征工程要做什么，都要优先消除方差为0的特征。

1，消除方差为0的特征

VarianceThreshold有重要参数threshold，表示方差的阈值，表示舍弃所有方差小threshold的特征，不填默认为0，即删除所有的记录都相同的特征。

from sklearn.feature_selection import VarianceThreshold
selector = VarianceThreshold() #实例化，不填参数默认方差为0,即删除值都是一样的特征
X_var0