例如，列x有50个值，但所有这些值都是相同的。

删除这样的变量来构建机器学习模型是否是个好主意？如果是的话，我如何在大型数据集中发现这些变量呢？

我猜想可能需要一个公式或函数来做到这一点。我在考虑使用nunique函数，它可以考虑整个数据集的情况。

回答：

你应该删除这样的列，因为它们不会提供任何关于每个数据点如何与其他数据点不同的额外信息。保留这样的列对于某些机器学习模型（由于算法工作的性质）是可以的，比如随机森林，因为这样的列实际上不会被选中来分割数据。

要发现这些变量，特别是对于分类或名义变量（具有固定数量的可能值），你可以统计每个唯一值的出现次数，如果众数大于某个阈值（比如95%），那么你就可以从模型中删除该列。

如果变量数量不是很多，我个人会逐一检查每个变量，这样我可以完全理解模型中的每个变量，但如果特征数量过大，上述系统化的方法也是可行的。