方差选择后再进行lasso代码

方差选择（Variance Threshold）和LASSO是两种不同的特征选择方法，它们可以结合使用来进行特征选择。方差选择是通过计算特征的方差来判断特征是否有用，如果某个特征的方差小于一定的阈值，则认为该特征对模型没有贡献，可以被删除。LASSO是一种基于正则化的特征选择方法，通过对模型加入L1正则化项来使得某些特征的系数变为零，进而实现特征选择。

下面是使用方差选择和LASSO进行特征选择的示例代码：

from sklearn.feature_selection import VarianceThreshold
from sklearn.linear_model import Lasso
from sklearn.datasets import load_boston

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target

# 方差选择
selector = VarianceThreshold(threshold=0.1)
X = selector.fit_transform(X)

# LASSO特征选择
lasso = Lasso(alpha=0.1)
lasso.fit(X, y)
coef = lasso.coef_

# 输出选择的特征
feature_names = boston.feature_names[selector.get_support()]
selected_features = feature_names[coef != 0]
print(selected_features)

这段代码首先使用方差选择方法对特征进行选择，然后使用LASSO方法对选择后的特征进行进一步筛选。最后输出被选择的特征名称。其中，方差选择方法的阈值可以根据实际情况进行调整，LASSO方法的正则化系数alpha也可以根据需要进行调整。