Modules
		scipy.sparse.base scipy.sparse.bsr scipy.sparse.compressed scipy.sparse.construct scipy.sparse.coo scipy.sparse.csc scipy.sparse.csgraph scipy.sparse.csr scipy.sparse.data scipy.sparse.dia scipy.sparse.dok scipy.sparse.extract scipy.sparse.lil numpy scipy.sparse.sputils

Functions
		feature_ranking(score) Rank features in descending order according to fisher score, the larger the fisher score, the more important the feature is fisher_score(X, y) This function implements the fisher score feature selection, steps are as follows: 1. Construct the affinity matrix W in fisher score way 2. For the r-th feature, we define fr = X(:,r), D = diag(W*ones), ones = [1,...,1]', L = D - W 3. Let fr_hat = fr - (fr'*D*ones)*ones/(ones'*D*ones) 4. Fisher score for the r-th feature is score = (fr_hat'*D*fr_hat)/(fr_hat'*L*fr_hat)-1   Input ----- X: {numpy array}, shape (n_samples, n_features)     input data y: {numpy array}, shape (n_samples,)     input class labels   Output ------ score: {numpy array}, shape (n_features,)     fisher score for each feature   Reference --------- He, Xiaofei et al. "Laplacian Score for Feature Selection." NIPS 2005. Duda, Richard et al. "Pattern classification." John Wiley & Sons, 2012.