采用python语言编写决策树算法，选取给定数据的前60%数据构造分类决策树，剩余数据进行性能测试，并给出预测结果。

好的，我了解你的问题。要采用Python编写决策树算法，可以使用scikit-learn库中的DecisionTreeClassifier类。以下是一个简单的代码示例，它会将数据集划分为训练集和测试集，然后使用训练集训练决策树模型，最后使用测试集测试模型性能并给出预测结果。

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import pandas as pd

# 读取数据集
data = pd.read_csv('your_data.csv')

# 划分训练集和测试集
train_data, test_data, train_labels, test_labels = train_test_split(
    data.iloc[:, :-1], data.iloc[:, -1], test_size=0.4, random_state=42)

# 初始化决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(train_data, train_labels)

# 预测测试集
pred_labels = model.predict(test_data)

# 计算模型准确率
accuracy = accuracy_score(test_labels, pred_labels)
print('Model accuracy:', accuracy)

你需要将 `your_data.csv` 替换为你的数据集文件名，然后运行代码。这个例子将数据集划分为训练集和测试集的比例为 60:40，你可以根据需要进行调整。

当你运行这个代码时，它将输出模型的准确率。你可以将剩余的数据用于性能测试，使用 `model.predict()` 方法对新数据进行预测，得到预测结果。