1.读取名为“客户信息及违约表现”，格式为.xlsx的数据文件；提取特征变量和目标变量；将数据集划分为训练集和测试集；搭建决策树模型；训练模型；模型预测。 2.将上述决策树模型进行可视化呈现，展示图形结果。 3.对上述模型进行参数优化，返回最优参数和评分。

好的，让我来回答您的问题。

针对您的第一个问题，可以采取以下步骤：

1. 使用 pandas 库的 read_excel() 方法读取名为“客户信息及违约表现”的数据文件，例如：df = pd.read_excel('客户信息及违约表现.xlsx')。

2. 提取特征变量和目标变量。特征变量通常是指对目标变量有影响的各种因素，例如客户的信用评级、负债比率、收入等等，而目标变量则是我们要预测的结果，例如客户是否会违约。可以通过 df.drop() 方法删除不需要的列，或者通过 df.loc[] 方法选取需要的列。

3. 将数据集划分为训练集和测试集。可以使用 sklearn 库的 train_test_split() 方法将数据集划分为训练集和测试集，例如：X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)，其中 X 是特征变量，y 是目标变量。

4. 搭建决策树模型。使用 sklearn 库的 DecisionTreeClassifier() 方法搭建决策树模型，例如：clf = DecisionTreeClassifier()。

5. 训练模型。使用 clf.fit() 方法对模型进行训练，例如：clf.fit(X_train, y_train)。

6. 模型预测。使用 clf.predict() 方法对测试集进行预测，例如：y_pred = clf.predict(X_test)。

针对您的第二个问题，可以使用 Graphviz 库将决策树模型进行可视化呈现，例如：

from sklearn.tree import export_graphviz
import graphviz

dot_data = export_graphviz(clf, out_file=None, 
                           feature_names=X.columns,  
                           class_names=['No default', 'Default'],  
                           filled=True, rounded=True,  
                           special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("decision_tree")

这段代码会生成一个名为 decision_tree.pdf 的文件，其中包含了决策树模型的可视化结果。

针对您的第三个问题，可以使用 GridSearchCV 方法对决策树模型进行参数优化，例如：

from sklearn.model_selection import GridSearchCV

param_grid = {'criterion': ['gini', 'entropy'], 
              'max_depth': [3, 4, 5, 6, 7],
              'min_samples_leaf': [5, 10, 15, 20]}

grid_search = GridSearchCV(clf, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

这段代码会对决策树模型的 criterion、max_depth 和 min_samples_leaf 参数进行优化，使用 5 折交叉验证进行评估。最优参数和评分可以通过 grid_search.best_params_ 和 grid_search.best_score_ 属性进行查看。