用方差阈值过滤掉“惰性特征”

机器学习实战中，大家往往把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？

刚开始学机器学习那会儿，很多人特别喜欢堆特征——不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。直到有一次跑练习数据集，X_train.shape 直接干到了 (50000, 1024)，训练速度慢得像蜗牛，内存还经常告警。耐着性子把每列统计信息看了一遍才意识到问题所在："产权年限" 这一列5万条数据全是70，"是否配备灭火器" 99.8%都是1。这些在所有样本上几乎不变的列，就是所谓的“惰性特征”——对预测没有任何贡献，却实实在在占内存、拖慢训练，有时候还会让线性模型数值不稳定。

方差阈值过滤，正是帮模型在起跑前甩掉这些“无用包袱”的最简利器。

如何过滤

过滤的原理特别简单：方差为0的特征，信息量就是0，直接删掉就行。方差衡量数据离散程度，方差越大越可能包含区分样本的信息；方差为零就意味着这个特征对所有样本都一样，模型从它身上什么都学不到。

基于这个思路，封装了一个 class，代码遵循了 scikit-learn 的 Fit-Transform API 设计模式。

 复制代码    def fit(
        self,
        X: Union[pd.DataFrame, np.ndarray],
        feature_names: Optional[List[str]] = None,
    ) -> "VarianceThresholdSelector":
        """
        在训练数据上拟合筛选器，学习哪些特征应当保留。        Returns:
            self: 返回自身以支持链式调用。
        """
        # ---------- 统一提取数值矩阵与列名 ----------
        if isinstance(X, pd.DataFrame):
            col_names = X.columns.tolist()
            matrix = X.values.astype(float)
        else:
            matrix = np.asarray(X, dtype=float)
            if feature_names is not None:
                col_names = list(feature_names)
            else:
                col_names = [f"特征_{i}" for i in range(matrix.shape[1])]        if matrix.ndim != 2:
            raise ValueError(f"输入数据必须为二维矩阵，当前维度为: {matrix.ndim}")        # ---------- 计算方差得分并生成筛选掩码 ----------
        scores = self._compute_scores(matrix)
        keep_mask = scores > self.threshold        # ---------- 记录拟合结果 ----------
        self.retained_cols_ = [name for name, kept in zip(col_names, keep_mask) if kept]
        self.dropped_cols_ = [name for name, kept in zip(col_names, keep_mask) if not kept]
        self.variance_scores_ = dict(zip(col_names, scores))        return self    def transform(self, X: Union[pd.DataFrame, np.ndarray]) -> Union[pd.DataFrame, np.ndarray]:
        """
        根据拟合结果移除低方差特征。
        
        Returns:
            筛选后的特征矩阵，类型与输入保持一致。
        """
        if self.retained_cols_ is None:
            raise RuntimeError("筛选器尚未拟合，请先调用 fit() 方法。")        if isinstance(X, pd.DataFrame):
            return X[self.retained_cols_]        # ndarray 场景：通过列名映射回索引位置
        all_cols = [f"特征_{i}" for i in range(X.shape[1])]
        indices = [all_cols.index(name) for name in self.retained_cols_]
        return X[:, indices]    def fit_transform(
        self,
        X: Union[pd.DataFrame, np.ndarray],
        feature_names: Optional[List[str]] = None,
    ) -> Union[pd.DataFrame, np.ndarray]:
        """
        拟合并立即转换，等价于依次调用 fit() 和 transform()。        Returns:
            筛选后的特征矩阵。
        """
        return self.fit(X, feature_names).transform(X)

和 scikit-learn 原生的 VarianceThreshold 使用方法一样，没有学习成本，改进之处在于：

1. 内置归一化：解决了多量纲特征混合时的阈值设定难题

 复制代码    def _compute_scores(self, data_matrix: np.ndarray) -> np.ndarray:
        """
        计算每个特征的方差得分（内部方法）。        Args:
            data_matrix: 纯数值型的二维数组，形状为 (n_samples, n_features)。        Returns:
            一维数组，长度为 n_features，表示每个特征的方差得分。
        """
        raw_variance = np.var(data_matrix, axis=0)        if not self.use_normalized:
            return raw_variance        # 计算极差 (max - min)，作为归一化的分母
        feature_ranges = np.ptp(data_matrix, axis=0)        # 安全处理：将极差为0的位置替换为1，避免除零错误
        # 此时该位置原始方差也为0，归一化结果仍为0，不影响后续筛选逻辑
        safe_ranges = np.where(feature_ranges == 0, 1.0, feature_ranges)
        normalized_scores = raw_variance / (safe_ranges ** 2)        return normalized_scores

2. Pandas原生支持：保持了列名索引，提升了易用性
3. 可解释性报告：让特征筛选过程透明可追溯

 复制代码    def get_selection_report(self) -> pd.DataFrame:
        """
        生成特征筛选的详细报告。        Returns:
            包含特征名、方差得分、是否保留等信息的DataFrame，
            按方差得分降序排列。
        """
        if self.variance_scores_ is None:
            raise RuntimeError("筛选器尚未拟合，请先调用 fit() 方法。")        records = []
        for feat_name, score in self.variance_scores_.items():
            is_retained = feat_name in self.retained_cols_
            records.append({
                "特征名称": feat_name,
                "方差得分": round(score, 6),
                "是否保留": is_retained,
                "筛选状态": " 保留" if is_retained else " 移除",
            })        report = pd.DataFrame(records)
        return report.sort_values("方差得分", ascending=False).reset_index(drop=True)

VarianceThresholdSelector 的核心机制是计算各特征的方差，并可选用“方差除以极差平方”的归一化方式消除量纲差异，再根据预设阈值标记并移除低方差特征。在拟合阶段，它自动记录保留与移除的列名及对应得分，并通过 transform 按此记录对 DataFrame 或 ndarray 进行列筛选，同时提供 get_selection_report 生成详细筛选报告。

测试效果

下面，模拟一个房价预测的场景，看看使用 VarianceThresholdSelector 带来的效果。

首先创建一个模拟数据，模拟主要特征和一些无关紧要的特征。

 复制代码# ==================== 数据集构造 ====================
np.random.seed(42)
n_samples = 150  # 适中样本
n_sparse = 200  # 稀疏噪声
n_cont = 50  # 伪连续噪声# 5 个真实特征
rooms = np.random.randint(2, 8, n_samples)
distance = np.random.uniform(1, 30, n_samples)
crime_rate = np.random.beta(2, 5, n_samples)  # 归一化方差 ≈ 0.039，高于阈值
age = np.random.uniform(1, 100, n_samples)
tax = np.random.normal(400, 100, n_samples)df_real = pd.DataFrame(
    {
        "房间数": rooms,
        "市中心距离": distance,
        "犯罪率": crime_rate,
        "房龄": age,
        "房产税": tax,
    }
)# 100 个稀疏二值噪声 (p=0.995，归一化方差 ≈ 0.005，低于阈值)
sparse_cols = [
    pd.Series(np.random.choice([0, 1], n_samples, p=[0.995, 0.005]), name=f"稀疏_{i}")
    for i in range(n_sparse)
]
# 50 个伪连续噪声：大部分为0，偶尔有极端值
# 归一化方差 ≈ 0.01，低于阈值 0.02，会被正确过滤
pseudo_cols = []
for i in range(n_cont):
    col = np.zeros(n_samples)
    n_outliers = np.random.randint(1, 3)
    outlier_idx = np.random.choice(n_samples, n_outliers, replace=False)
    col[outlier_idx] = np.random.uniform(100, 1000, n_outliers)
    pseudo_cols.append(pd.Series(col, name=f"伪连续_{i}"))df_noise = pd.concat(sparse_cols + pseudo_cols, axis=1)
n_noise = n_sparse + n_contX = pd.concat([df_real, df_noise], axis=1)

然后分别用三种方式（全特征，不归一化筛选和归一化筛选）来训练这个数据集。

 复制代码# 1. 全特征
rmse_full, t_full = evaluate(X, y)
print(
    f"【全特征】       特征数 {X.shape[1]:3d} | RMSE: {rmse_full:.2f} 万 | 耗时: {t_full:.3f}s"
)# 2. 不归一化筛选（阈值 0.1）
sel_raw = VarianceThresholdSelector(threshold=0.1, use_normalized=False)
X_raw = sel_raw.fit_transform(X)
rmse_raw, t_raw = evaluate(X_raw, y)
print(
    f"【不归一化筛选】 特征数 {X_raw.shape[1]:3d} | RMSE: {rmse_raw:.2f} 万 | 耗时: {t_raw:.3f}s"
)
print(
    f"  被误删的有用特征: {[c for c in df_real.columns if c not in sel_raw.retained_cols_]}"
)# 3. 归一化筛选（阈值 0.02，恰好剔除稀疏噪声）
sel_norm = VarianceThresholdSelector(threshold=0.02, use_normalized=True)
X_norm = sel_norm.fit_transform(X)
rmse_norm, t_norm = evaluate(X_norm, y)
print(
    f"【归一化筛选】   特征数 {X_norm.shape[1]:3d} | RMSE: {rmse_norm:.2f} 万 | 耗时: {t_norm:.3f}s"
)
print(f"  保留的特征: {sel_norm.retained_cols_}")

运行结果：

 复制代码样本数: 150, 特征数: 255 (5 真实 + 250 噪声)【全特征】       特征数 255 | RMSE: 12.78 万 | 耗时: 0.062s
【不归一化筛选】 特征数  54 | RMSE: 11.87 万 | 耗时: 0.028s
  被误删的有用特征: ['犯罪率']
【归一化筛选】   特征数   5 | RMSE: 5.81 万 | 耗时: 0.024s
  保留的特征: ['房间数', '市中心距离', '犯罪率', '房龄', '房产税']

从结果可以看出，做了特征筛选之后，耗时明显下降；归一化之后，防止特征误删，RMSE 更小（也就是效果更好）。最后，只用了 5 个特征，将 RMSE 从 12.78 万美元降至约 5.81 万美元，降低了 54%，显著提升了模型泛化能力。

注意事项

方差阈值最大的优势是快且安全。它是纯无监督操作，不需要标签、不依赖模型假设，毫秒级即可完成数万维特征的粗筛，且完全不存在数据泄露风险。在文本 tf-idf 矩阵、用户行为 one-hot 编码等超高维稀疏场景中，它往往是特征工程 pipeline 的第一道防线。

但它也有明确的能力边界：方差≠预测力。一个低方差特征可能对某个稀有类别有极强的区分度（比如“是否vip”仅5%为真，但精准标识高价值用户），方差阈值会误杀它；而一个高方差的自增id与目标变量毫无因果关系，方差阈值却无法识别。因此，它只适合做“粗筛”，精细选择仍需交给互信息、lasso等有监督方法。