Python数据分析：特征选择-SelectKBest

一、参数：SelectKBest(score_func= f_classif, k=10)
score_func：特征选择要使用的方法，默认适合分类问题的F检验分类：f_classif。
k ：取得分最高的前k个特征，默认10个。
二、属性：fit(x,y)方法后才能调用
scores_ ：返回每个特征的得分
pvalues_ : 返回每个特征得分对应的p_value值。如果score_func只返回分数，则pvalues_返回空。
三、常用方法
fit(x,y)：传入特征集x和标签y 拟合数据。
transform(x)：fit(x,y)后使用，转换数据，返回特征过滤后保留下的特征数据集。
get_support(indices=True)：fit(x,y)后使用，返回特征过滤后保留下的特征列索引。
fit_transform(x,y)：拟合数据+转化数据，返回特征过滤后保留下的特征数据集。

#鸢尾花数据集
from sklearn.datasets import load_iris
iris = load_iris()
x, y = iris.data, iris.target

# 导入 SelectKBest，和要使用的卡方过滤法chi2类
from sklearn.feature_selection import SelectKBest,chi2
# 实例化selectKBest对象
skb=SelectKBest(chi2,k=2)
# 调用fit方法
skb=skb.fit(x,y)

#调用属性scores_，获得chi2返回的得分
skb.scores_
# 调用属性pvalues_ ，获得chi2返回的P值
skb.pvalues_   
#返回特征过滤后保留下的特征列索引
skb.get_support(indices=True) 

# 转换数据，得到特征过滤后保留下的特征数据集
x_new=skb.transform(x)
x_new

拟合数据加转化数据一步到位：

x_new=skb.fit_transform(x,y)
x_new