特征选择就是剔除与标注不相关或者冗余的特征，它是数据归约的思路之一（另一个思路为抽样）
特征选择主要包括三种思想：过滤思想、包裹思想和嵌入思想。
编程实现：
第一步，导入必要的包：
import pandas as pd
import numpy as np
import scipy.stats as ss
from sklearn.svm import SVR #线性回归器
from sklearn.tree import DecisionTreeRegressor #决策树回归
from sklearn.feature_selection import SelectKBest,RFE,SelectFromModel
第二步，导入一组DataFrame数据：
第三步，特征选择：
1.过滤思想：去掉相关性差的特征
过滤思想代码实现
2.包裹思想：构造简单模型，用线性回归器，每次迭代去掉一个弱特征
包裹思想代码实现
3.嵌入思想：利用回归方法，去掉系数比较小的特征，这种方法存在一定风险，因为可能导致重要特征被丢弃。
（SelectFromModel()必须要有feature_importances和coef_这两个参数才能用,但当数据量比较庞大又需要快速的找出特征的时候，可以用threshold来对样本数据进行简单的评估（threshold表示低于多少会去掉一个特征））
嵌入思想代码实现
