采用python语言编写决策树算法，选取给定数据编号,色泽,根蒂,好瓜是 1,青绿,蜷缩,是 2,乌黑,蜷缩,是 3,乌黑,蜷缩,是 4,乌黑,稍蜷,否 5,青绿,硬挺,否的前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，这是一个典型的分类问题，我们可以采用决策树算法进行建模和分类。首先，我们需要导入相关的库和数据：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.metrics import accuracy_score

# 读入数据
data = pd.DataFrame({
    '编号': [1, 2, 3, 4, 5],
    '色泽': ['青绿', '青绿', '乌黑', '乌黑', '青绿'],
    '根蒂': ['蜷缩', '蜷缩', '蜷缩', '稍蜷', '硬挺'],
    '好瓜': ['是', '是', '是', '否', '否']
})

# 将分类变量转换为数值变量
data['色泽'] = pd.factorize(data['色泽'])[0]
data['根蒂'] = pd.factorize(data['根蒂'])[0]
data['好瓜'] = pd.factorize(data['好瓜'])[0]

# 取前60%数据作为训练集，后40%数据作为测试集
train = data.iloc[:3]
test = data.iloc[3:]

接下来，我们可以使用`DecisionTreeClassifier`函数构建分类决策树模型，并对测试集进行预测：

# 构建分类决策树模型
model = DecisionTreeClassifier()
model.fit(train[['色泽', '根蒂']], train['好瓜'])

# 对测试集进行预测
y_pred = model.predict(test[['色泽', '根蒂']])

最后，我们可以计算模型的准确率并输出预测结果：

# 计算模型的准确率
accuracy = accuracy_score(test['好瓜'], y_pred)

# 输出预测结果
print('测试集的真实标签为：', test['好瓜'].values)
print('测试集的预测标签为：', y_pred)
print('模型的准确率为：', accuracy)

完整的代码如下：