python代码要求给出具体的代码段---购买电脑案例和不同天气下的打棒球案例数据运用 tree.DecisionTreeClassifier()编程 2.需要显示决策树图形。

Python中使用`sklearn`库中的`DecisionTreeClassifier`进行决策树分类的例子通常涉及数据预处理、模型训练以及结果可视化。这里我将提供两个简单的示例：购买电脑和打棒球决定是否出门的决策树。

**购买电脑案例** (假设我们有价格、品牌和内存作为特征):

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import seaborn as sns

# 假设有一个CSV文件，包含购买电脑的数据
data = pd.read_csv('computer_purchase_data.csv')

# 定义特征和目标变量
features = ['price', 'brand', 'memory']
target = 'purchase'

# 划分训练集和测试集
X = data[features]
y = data[target]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 预测并评估性能
predictions = clf.predict(X_test)
accuracy = clf.score(X_test, y_test)
print(f"Accuracy: {accuracy}")

# 显示决策树结构（对于复杂的树可以使用graphviz）
from sklearn.tree import export_graphviz
dot_data = export_graphviz(clf, out_file=None, feature_names=features, class_names=['Buy', 'No Buy'])
graph = graphviz.Source(dot_data)
graph.render("computer_purchase_tree")

**打棒球案例** (假设天气条件是决定因素，比如晴天、雨天或雪天) :

weather_data = pd.read_csv('baseball_weather_data.csv')
features = ['temperature', 'humidity', 'wind_speed']
target = 'batting_decision'

# ... (同上步骤，划分数据，训练模型)

# 示例展示部分
plt.figure(figsize=(15,10))
tree.plot_tree(clf, filled=True, feature_names=features, class_names=['Play', 'Stay Indoors'])
plt.show()

这两个例子都展示了如何构建决策树，并通过`export_graphviz`绘制出树形图。记得在实际操作中替换数据集路径，并根据实际情况调整特征和目标变量。