大型语言模型（LLMS）的快速发展具有显着影响的各个领域，利用了它们出色的几次射击和零照片的学习能力。在这项工作中，我们旨在探索和理解以数据为中心的观点的基于LLMS的特征选择方法。我们首先将现有的特征选择方法（LLMS）分为两个组：数据驱动的特征选择，它需要样本的数值来进行统计推断和基于文本的特征选择，这些特征选择利用LLMS的先验知识来使用描述性上下文进行语义关联。我们使用各种尺寸的LLM（例如GPT-4，CHATGPT和LLAMA-2）进行分类和回归任务的实验。我们的发现强调了基于文本的效果选择方法的效果和鲁棒性，并使用现实世界中的医疗应用来展示其潜力。我们还讨论了采用LLM进行征服选择的挑战和未来机会，为这一新兴领域的进一步研究和探讨提供了见解。