区别于下一节（过滤法）讲的的方差分析。这里的方差筛选的对象是一个特征，而方差分析的对象是特征与label。

    要使得模型有更好的划分效果，首先要保证特征的可分性强。特征可分性可以从特征的方差上入手，如果特征方差较大，说明样本分布较离散，有利于模型划分；如果特征方差趋于0，说明这个特征对模型划分没有多少用处。因此，我们先对特征进行方差计算，选择方差较大的特征做为候选特征。
    使用sklearn.feature_selection.VarianceThreshold 来进行选择

    1. from sklearn.feature_selection import VarianceThreshold
    2. # 官网示例
    3. >>> X = [[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]
    4. >>> selector = VarianceThreshold()   # threshold=0.0
    5. >>> selector.fit_transform(X)
    6. array([[2, 0],
    7.        [1, 4],
    8.        [1, 1]])

    从示例中看出，VarianceThreshold()只有一个参数threshold，默认0。即排除了方差为0的项。

    1. from sklearn.feature_selection import VarianceThreshold
    2. X = [[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]
    3. selector = VarianceThreshold(threshold = 0.5)   # threshold=0.0
    4. selector.fit_transform(X)
    5. >>> array([[0],
    6.            [4],
    7.            [1]])
    9. # 查看每列特征的方差值
    10. selector.variances_
    11. >>>array([0.        , 0.22222222, 2.88888889, 0.        ])
    13. # 查看保留特征的索引
    14. selector.get_support(indices=False)
    15. >>>array([False, False,  True, False])
    16. selector.get_support(indices=True)
    17. >>>array([2])

    将阈值调整至0.5后，只剩一列