帮我写一篇相关的python代码，根据训练集中的样本数据建立哺乳动物的分类模型，考察几种特征对分类的贡献，计算在测试集中的性能指标。

好的，基于要求，我可以为您提供一些示例代码，但是需要您提供您使用的数据集。

在建立模型之前，首先需要进行数据预处理，包括数据清洗、特征选择和特征提取等步骤。针对不同的数据集，预处理的方法也会有所不同。这里我提供一些常用的预处理方法供您参考：

1.数据清洗：去除缺失值、异常值、重复值等，以保证数据质量。

2.特征选择：根据业务需求和统计分析选择可靠的特征，过滤掉无用的特征。

3.特征提取：基于原始特征构建新的特征，以提高模型预测准确率。

接下来，我将为您提供一份示例代码，以帮助您构建哺乳动物分类模型：

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

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

# 特征选择
features = ['hair', 'milk', 'airborne', 'aquatic', 'toothed', 'backbone', 'breathes', 'venomous', 'fins', 'legs', 'tail', 'domestic', 'catsize', 'class']
data = data[features]

# 数据预处理
data = data.dropna() # 去除缺失值
data = data.drop_duplicates() # 去除重复值

# 特征提取
data['legs^2'] = data['legs']**2 # 添加新特征，平方腿数
features.append('legs^2')

# 划分训练集和测试集
train_data, test_data, train_label, test_label = train_test_split(data[features[:-1]], data['class'], test_size=0.3, shuffle=True)

# 建立模型
model = DecisionTreeClassifier()
model.fit(train_data, train_label)

# 预测并计算准确率
pred_label = model.predict(test_data)
accuracy = accuracy_score(test_label, pred_label)

print('Accuracy:', accuracy)

这份示例代码中，数据集为`mammal.csv`，特征选择了14个特征，使用决策树作为分类器。同时，为了提高模型的预测准确率，我们添加一列新特征：平方腿数。最后，使用`train_test_split`函数将数据集划分为训练集和测试集，最后计算模型在测试集上的准确率。

该示例代码仅供参考，具体的建模过程还需要根据具体的数据集和业务需求进行调整和优化。