您可以通过以下几种方式做到这一点，我可以按工作量的升序列出：

1. 通过目测选择一个对您和您的数据集来说似乎没问题的值，然后简单地将变量从数据集中剪切到阈值以下

2. 创建一个给定阈值的函数，告诉您如果使用该阈值，将删除多少变量。然后创建一个简单的图，看看是否有某个级别看起来很吸引人（这取决于数据准备好后的目标模型）。

3. 使用一些更智能的函数，对你来说更多一些，例如R 中 Caret 包中的 NearZeroVar 函数

然而，对于这些方法总体上是否是最优的，存在一些争论。在 Cross-Validated上查看有关此线程的一些讨论。如果来自编写上述 Caret 包的人的书 - Max Kuhn，则该线程中的 OP 引用。

反对这种方法的论据说，您可能正在移动变量，尽管它们的方差很小，但实际上可能在解释您的目标（因）变量方面非常强大。

我可以建议的最后一种方法进入协方差领域，即查看变量对之间的共线性。我过去做过这件事，对我来说效果很好。基本算法看起来像这样：

1. 计算所有变量的协方差矩阵
2. 找到具有最高协方差的对
   • 如果您更喜欢该度量，则相关性
   • 计划是删除这两个变量之一
3. 使用步骤 1 中的协方差矩阵，计算步骤 2 中这两个变量中的哪一个与其余变量的协方差和最高
4. 删除具有最高协方差和的变量
5. 重复步骤 1-4，直到达到所需的变量数量，或者达到协方差或单个变量方差的阈值。

编辑：

这是 Scikit-Learn 类，它可以为你做基本的方差阈值 - 还有一个简短的教程。他们还提出了一些进行递归特征选择的方法，本质上类似于我上面概述的最终方法。