目录
python实现分步源代码（全部）测试集1（鸢尾花集）测试集2（红酒品类数据集）总结python实现
分步
划分数据子集（注意区分离散特征值和连续特征值）#获取数据子集，分类与回归的做法相同#将数据集根据划分特征切分为两类def split_dataset(data_x,data_y,fea_axis,fea_value):'''input:data_x(ndarry):特征值data_y(ndarry):标签值fea_axis(int):进行划分的特征编号（列数）fea_value(int):进行划分的特征对应特征值output:data_x[equal_Idx],data_y[equal_Idx](ndarry):特征值等于（大于等于）目标特征值的样本与标签data_x[nequal_Idx],data_y[nequal_Idx](ndarry):特征值不等于（小于）目标特征的样本与标签'''if isinstance(fea_value,float): #如果特征值为浮点数(连续特征值)，那么进行连续值离散化equal_Idx = np.where(data_x[:,fea_axis]>=fea_value) #找出特征值大于等于fea_alue的样本序号nequal_Idx = np.where(data_x[:,fea_axis]<fea_value) #找出特征值小于fea_alue的样本序号else:equal_Idx = np.where(data_x[:,fea_axis]==fea_value) #找出特征值等于fea_alue的样本序号nequal_Idx = np.where(data_x[:,fea_axis]!=fea_value) #找出特征值不等于fea_alue的样本序号return data_x[equal_Idx],data_y[equal_Idx],data_x[nequal_Idx],data_y[nequal_Idx]
求解基尼系数（在该数据集相下，随机抽取两个样本，标签不同的概率）
#使用决策树进行分类需要用到#求解基尼系数,即两个样本不属于同一标签的概率（二分类问题）def cal_gini(data_y):'''input:data_y(ndarry):标签值output:gini(float):基尼指数'''m = len(data_y) #全部样本的标签数量labels = np.unique(data_y) #获得不同种类的标签（去重）gini = 1.0 #最后返回的基尼指数for label in labels:ans = data_y[np.where(data_y[:]==label)].size/m #该标签的出现概率gini -= ans*ans #累减计算基尼指数（两两不同的总概率）return gini
最优特征选取以及特征值划分（遍历计算每个特征下每个特征值的基尼系数，取最小值（纯度最高）进行划分标准）
#分类方法实现最优特征的选取以及特征值划分def classify_get_best_fea(data_x,data_y):'''input:data_x(ndarry):特征值data_y(ndarry):标签值output:best_fea(int):最优特征best_fea_val(int):最优特征值'''m,n = np.shape(data_x) #m，n分别为样本数以及特征属性数#初始化best_fea = -1best_fea_val = -1min_fea_gini = np.inffor i in range(n): #遍历所有特征（列）feas = np.unique(data_x[:,i]) #获得该特征下所有特征值#分别以每个特征值为中心进行划分求基尼系数，找到使基尼系数最小的划分for j in feas:equal_data_x,equal_data_y,nequal_data_x,nequal_data_y = split_dataset(data_x,data_y,i,j)fea_gini = 0.0#计算该划分下的基尼系数fea_gini = len(equal_data_y)/m*cal_gini(equal_data_y)+len(nequal_data_y)/m*cal_gini(nequal_data_y)#如果该划分方式的基尼系数更小（纯度更高），那么直接进行更新if fea_gini<min_fea_gini:min_fea_gini = fea_ginibest_fea = ibest_fea_val = jreturn best_fea,best_fea_val
创建分类决策树（使用递归的方法构建决策树字典，注意处理特殊情况：只有一类标签的情况，无特征的情况，当基尼系数过低时也可以中断划分）
#创建分类方法的决策树def classify_create_tree(data_x,data_y,fea_label):'''input:data_x(ndarry):特征值data_y(ndarry):标签值fea_label(list):特征属性列表output:my_tree(dict):生成的CART分类树'''labels = np.unique(data_y)#只有一个标签的情况if len(labels)==1:return data_y[0]#特征集为0的情况，采用多数投票的方法if data_x.shape[1]==0:best_fea,best_fea_num = 0,0for label in labels:num = data_y[np.where(data_y==label)].sizeif num>best_fea_num:best_fea = labelbest_fea_num = numreturn best_feabest_fea,best_fea_val = classify_get_best_fea(data_x,data_y)best_fea_label = fea_label[best_fea]print(u"此时最优索引为："+str(best_fea_label))my_tree = {best_fea_label:{}}#获得划分结果equal_data_x,equal_data_y,nequal_data_x,nequal_data_y = split_dataset(data_x,data_y,best_fea,best_fea_val)#删除最优特征equal_data_x = np.delete(equal_data_x,best_fea,1)nequal_data_x = np.delete(nequal_data_x,best_fea,1)fea_label = np.delete(fea_label,best_fea,0)#递归生成CART分类树my_tree[best_fea_label]["{}_{}".format(1,best_fea_val)] = classify_create_tree(equal_data_x,equal_data_y,fea_label)my_tree[best_fea_label]["{}_{}".format(0,best_fea_val)] = classify_create_tree(nequal_data_x,nequal_data_y,fea_label)return my_tree
决策树字典格式为{“划分属性”:｛“含于该划分值中”，划分结果/继续分类}，｛“不含于该划分值中”,划分结果/继续分类}}，注意在判断是否含于该划分值中，构建如“1_划分值”， “0 _划分值”这样的字符串，1表示包含，0表示不包含。如下如所示：
测试函数
#测试操作import re#预测一条测试数据结果def classify(inputTree,xlabel,testdata):'''input:inputTree(dict):CART分类决策树xlabel(list):特征属性列表testdata(darry):一条测试数据特征值output:classLabel(int):测试数据预测结果'''firstStr = list(inputTree.keys())[0]secondDict = inputTree[firstStr]featIndex = xlabel.index(firstStr)#根据key值得到索引classLabel = '0'#定义变量classLabel，默认值为0ans = re.findall(r'\d+\.\d+',list(secondDict.keys())[0])if isinstance(testdata[featIndex],float):if float(testdata[featIndex]) >= float(ans[0]):if type(secondDict['1_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['1_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['1_'+ans[0]]else:if type(secondDict['0_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['0_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['0_'+ans[0]]return int(classLabel)else:if float(testdata[featIndex]) == float(ans[0]):if type(secondDict['1_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['1_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['1_'+ans[0]]else:if type(secondDict['0_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['0_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['0_'+ans[0]]return int(classLabel)#预测所有测试数据结果def classifytest(inputTree, xlabel, testDataSet):'''input:inputTree(dict):训练好的决策树xlabel(list):特征值标签列表testDataSet(ndarray):测试数据集output:classLabelAll(list):测试集预测结果列表''' classLabelAll = []#创建空列表for testVec in testDataSet:#遍历每条数据classLabelAll.append(classify(inputTree, xlabel, testVec))#将每条数据得到的特征标签添加到列表return np.array(classLabelAll)
源代码（全部）
import numpy as npimport re#获取数据子集，分类与回归的做法相同#将数据集根据划分特征切分为两类def split_dataset(data_x,data_y,fea_axis,fea_value):'''input:data_x(ndarry):特征值data_y(ndarry):标签值fea_axis(int):进行划分的特征编号（列数）fea_value(int):进行划分的特征对应特征值output:data_x[equal_Idx],data_y[equal_Idx](ndarry):特征值等于（大于等于）目标特征值的样本与标签data_x[nequal_Idx],data_y[nequal_Idx](ndarry):特征值不等于（小于）目标特征的样本与标签'''if isinstance(fea_value,float): #如果特征值为浮点数(连续特征值)，那么进行连续值离散化equal_Idx = np.where(data_x[:,fea_axis]>=fea_value) #找出特征值大于等于fea_alue的样本序号nequal_Idx = np.where(data_x[:,fea_axis]<fea_value) #找出特征值小于fea_alue的样本序号else:equal_Idx = np.where(data_x[:,fea_axis]==fea_value) #找出特征值等于fea_alue的样本序号nequal_Idx = np.where(data_x[:,fea_axis]!=fea_value) #找出特征值不等于fea_alue的样本序号return data_x[equal_Idx],data_y[equal_Idx],data_x[nequal_Idx],data_y[nequal_Idx]#使用决策树进行分类需要用到#求解基尼指数,即两个样本不属于同一标签的概率（二分类问题）def cal_gini(data_y):'''input:data_y(ndarry):标签值output:gini(float):基尼指数'''m = len(data_y) #全部样本的标签数量labels = np.unique(data_y) #获得不同种类的标签（去重）gini = 1.0 #最后返回的基尼指数for label in labels:ans = data_y[np.where(data_y[:]==label)].size/m #该标签的出现概率gini -= ans*ans #累减计算基尼指数（两两不同的总概率）return gini#分类方法实现最优特征的选取以及特征值划分def classify_get_best_fea(data_x,data_y):'''input:data_x(ndarry):特征值data_y(ndarry):标签值output:best_fea(int):最优特征best_fea_val(int):最优特征值'''m,n = np.shape(data_x) #m，n分别为样本数以及特征属性数#初始化best_fea = -1best_fea_val = -1min_fea_gini = np.inffor i in range(n): #遍历所有特征（列）feas = np.unique(data_x[:,i]) #获得该特征下所有特征值#分别以每个特征值为中心进行划分求基尼系数，找到使基尼系数最小的划分for j in feas:equal_data_x,equal_data_y,nequal_data_x,nequal_data_y = split_dataset(data_x,data_y,i,j)fea_gini = 0.0fea_gini = len(equal_data_y)/m*cal_gini(equal_data_y)+len(nequal_data_y)/m*cal_gini(nequal_data_y)#如果该划分方式的基尼系数更小（纯度更高），那么直接进行更新if fea_gini<min_fea_gini:min_fea_gini = fea_ginibest_fea = ibest_fea_val = jreturn best_fea,best_fea_val#创建分类方法的决策树def classify_create_tree(data_x,data_y,fea_label):'''input:data_x(ndarry):特征值data_y(ndarry):标签值fea_label(list):特征属性列表output:my_tree(dict):生成的CART分类树'''labels = np.unique(data_y)#只有一个标签的情况if len(labels)==1:return data_y[0]#特征集为0的情况，采用多数投票的方法if data_x.shape[1]==0:best_fea,best_fea_num = 0,0for label in labels:num = data_y[np.where(data_y==label)].sizeif num>best_fea_num:best_fea = labelbest_fea_num = numreturn best_feabest_fea,best_fea_val = classify_get_best_fea(data_x,data_y)best_fea_label = fea_label[best_fea]print(u"此时最优索引为："+str(best_fea_label))my_tree = {best_fea_label:{}}#获得划分结果equal_data_x,equal_data_y,nequal_data_x,nequal_data_y = split_dataset(data_x,data_y,best_fea,best_fea_val)#删除最优特征equal_data_x = np.delete(equal_data_x,best_fea,1)nequal_data_x = np.delete(nequal_data_x,best_fea,1)fea_label = np.delete(fea_label,best_fea,0)#递归生成CART分类树my_tree[best_fea_label]["{}_{}".format(1,best_fea_val)] = classify_create_tree(equal_data_x,equal_data_y,fea_label)my_tree[best_fea_label]["{}_{}".format(0,best_fea_val)] = classify_create_tree(nequal_data_x,nequal_data_y,fea_label)return my_tree#预测一条测试数据结果def classify(inputTree,xlabel,testdata):'''input:inputTree(dict):CART分类决策树xlabel(list):特征属性列表testdata(darry):一条测试数据特征值output:classLabel(int):测试数据预测结果'''firstStr = list(inputTree.keys())[0]secondDict = inputTree[firstStr]featIndex = xlabel.index(firstStr)#根据key值得到索引classLabel = '0'#定义变量classLabel，默认值为0ans = re.findall(r'\d+\.\d+',list(secondDict.keys())[0])if isinstance(testdata[featIndex],float):if float(testdata[featIndex]) >= float(ans[0]):if type(secondDict['1_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['1_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['1_'+ans[0]]else:if type(secondDict['0_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['0_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['0_'+ans[0]]return int(classLabel)else:if float(testdata[featIndex]) == float(ans[0]):if type(secondDict['1_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['1_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['1_'+ans[0]]else:if type(secondDict['0_'+ans[0]]).__name__ == 'dict':#判断secondDict[key]是否是字典格式classLabel = classify(secondDict['0_'+ans[0]], xlabel, testdata)#如果是字典格式，进行递归else:classLabel = secondDict['0_'+ans[0]]return int(classLabel)#预测所有测试数据结果def classifytest(inputTree, xlabel, testDataSet):'''input:inputTree(dict):训练好的决策树xlabel(list):特征值标签列表testDataSet(ndarray):测试数据集output:classLabelAll(list):测试集预测结果列表''' classLabelAll = []#创建空列表for testVec in testDataSet:#遍历每条数据classLabelAll.append(classify(inputTree, xlabel, testVec))#将每条数据得到的特征标签添加到列表return np.array(classLabelAll)
测试集1（鸢尾花集）
全部属性以及部分标签如下：
导入以及训练CART分类树过程如下：
#测试数据集一（鸢尾花集）import pandasfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import OneHotEncoder#导入数据集irisurl = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']dataset = pandas.read_csv(url, names=names) #读取csv数据dataset.head()X = dataset.iloc[:,:-1].valuesy = dataset.iloc[:,-1].values#将标签分别改为0，1，2for i in range(len(y)):if y[i]=='Iris-setosa':y[i]=0elif y[i]=='Iris-versicolor':y[i]=1elif y[i]=='Iris-virginica':y[i]=2#获得特征属性名称列表fea_label = names[:-1]#划分训练集与测试集，参数test_size设为0.3，random_state设为666x_train,x_test,y_train,y_test = train_test_split(X,y,test_size = 0.3,random_state = 666)#生成CART分类树cartTree = classify_create_tree(x_train,y_train,fea_label)print(cartTree)
生成结果如下：
选取测试数据进行测试，并计算相应的分类正确率：
classlist=classifytest(cartTree,names,x_test)print("预测结果",classlist)print("真实结果",y_test)print("准确率为：%.4f"%np.mean(classlist==y_test))
结果如下：
测试集2（红酒品类数据集）
13个属性如下图所示：
导入以及训练CART分类树过程如下：
#测试数据集二from sklearn.datasets import load_winewine = load_wine()data = wine.datatarget = wine.targetfea_names = list(wine.feature_names)# #划分训练集与测试集，参数test_size设为0.3，random_state设为666x_train,x_test,y_train,y_test = train_test_split(data,target,test_size = 0.35,random_state = 666)# #生成CART分类树cartTree = classify_create_tree(x_train,y_train,fea_names)print(cartTree)
生成结果如下：
选取测试数据进行测试，并计算相应的分类正确率：
classlist=classifytest(cartTree,fea_names,x_test)print("预测结果",classlist)print("真实结果",y_test)print("准确率为：%.4f"%np.mean(classlist==y_test))
结果如下：
总结
（1）主要面对特征值离散或者连续的问题，离散值只需要判断是否相等就可以进行二分类，而连续值需要不断的选择不同的特征值进行划分，然后计算求得基尼系数，选取基尼系数最小的情况作为划分结果。
（2）因为可能存在连续的属性，也可能存在离散的属性，所以在划分子集的时候，对这些情况就需要考虑全面。不同的值对应不同的划分方法。同样对于测试集的预测，我们也需要更具不同的属性选择不同的预测方式。
