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 ascending order according to their laplacian scores, the smaller the laplacian score is, the more important the feature is lap_score(X, **kwargs) This function implements the laplacian score feature selection, steps are as follows: 1. Construct the affinity matrix W if it is not specified 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. Laplacian score for the r-th feature is score = (fr_hat'*L*fr_hat)/(fr_hat'*D*fr_hat)   Input ----- X: {numpy array}, shape (n_samples, n_features)     input data kwargs: {dictionary}     W: {sparse matrix}, shape (n_samples, n_samples)         input affinity matrix   Output ------ score: {numpy array}, shape (n_features,)     laplacian score for each feature   Reference --------- He, Xiaofei et al. "Laplacian Score for Feature Selection." NIPS 2005.