Error(t)=1-max P(j|t),P(j|t)是类j在节点t的相对频率，用函数定义def _calcEntropy(self,y): 根据描述的指标用python写出计算熵的代码

以下是用Python实现计算熵的代码：

import math

def _calcEntropy(self, y):
    n_samples = len(y)
    unique_labels = set(y)
    entropy = 0.0
    for label in unique_labels:
        count = y.count(label)
        proportion = count / n_samples
        entropy -= proportion * math.log(proportion, 2)
    return entropy

其中，`y` 是一个长度为 `n_samples` 的标签列表，表示每个样本所属的类别。`unique_labels` 是 `y` 中出现过的所有类别。`count` 是某个类别在 `y` 中出现的次数，`proportion` 是该类别在 `y` 中出现的频率。最后，根据熵的定义公式，将每个类别的信息熵累加起来，得到最终的熵值 `entropy`，并将其返回。