给我一个决策树机器学习的实例代码，已有训练集和测试集，但是训练集多了一个label，有两列label

好的，以下是一个基于决策树的机器学习模型的示例代码，假设你的训练集和测试集都是CSV文件，其中训练集有两列label（label1和label2），其他列是特征，测试集只有特征列（没有label）:

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

# 读取训练集和测试集
train_df = pd.read_csv('train.csv')
test_df = pd.read_csv('test.csv')

# 将训练集和测试集中的特征和标签分离开来
X_train = train_df.drop(['label1', 'label2'], axis=1)
y_train = train_df[['label1', 'label2']]
X_test = test_df

# 定义决策树模型
model = DecisionTreeClassifier()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集标签
y_pred = model.predict(X_test)

# 将预测结果保存到CSV文件中
output_df = pd.DataFrame(y_pred, columns=['label1', 'label2'])
output_df.to_csv('output.csv', index=False)

在这个示例中，我们使用了sklearn库中的DecisionTreeClassifier类来定义决策树模型，然后使用训练集来训练模型，最后使用测试集来预测标签，并将预测结果保存到CSV文件中。请注意，这个示例中我们假设训练集和测试集中的特征列都是数值型的，如果特征列是其他类型（如文本或类别型），需要进行适当的编码处理。