sklearn实现决策树实例和完整代码

以下是使用sklearn实现决策树的完整代码：

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

# 读取数据
data = pd.read_csv('data.csv')

# 分离特征和标签
X = data.drop('target', axis=1)
y = data['target']

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集数据
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print('准确率：', accuracy)

该代码包括以下步骤：

1. 读取数据（假设数据集文件名为data.csv）。
2. 分离特征和标签。
3. 将数据集分为训练集和测试集。
4. 创建决策树分类器。
5. 训练模型。
6. 预测测试集数据。
7. 计算准确率。

需要注意的是，以上代码只是一个简单的示例，实际使用时可能需要进行更多的数据清洗和特征工程处理。