用python语言，根据现实生活中的原型自己创建一个简单的决策树，要求用这个决策树能解决实际分类决策问题

好的，我可以为你介绍如何用Python创建一个简单的决策树，并解决实际分类决策问题。

首先，我们需要准备数据集。假设我们有一个关于水果的数据集，包含了水果的颜色、形状和是否是好果子三个特征，以及对应的标签（好果子或坏果子）。我们可以将数据集表示为一个二维数组，如下所示：

data = [['红色', '圆形', '好果子'],
        ['绿色', '长条形', '好果子'],
        ['橙色', '圆形', '坏果子'],
        ['黄色', '圆形', '好果子'],
        ['红色', '长条形', '坏果子']]

接下来，我们需要计算数据集的熵。熵是衡量数据集无序程度的指标，计算公式为：

$$
H(D) = -\sum_{i=1}^{n}p_i\log_2p_i
$$

其中，$D$ 表示数据集，$n$ 表示数据集中标签的种类数，$p_i$ 表示标签 $i$ 在数据集中的出现概率。

我们可以用以下代码计算数据集的熵：

from math import log2

def calc_entropy(data):
    label_counts = {}
    for sample in data:
        label = sample[-1]
        if label not in label_counts:
            label_counts[label] = 0
        label_counts[label] += 1
    entropy = 0
    for count in label_counts.values():
        prob = count / len(data)
        entropy -= prob * log2(prob)
    return entropy

接下来，我们需要编写一个函数来选择最好的特征进行划分。我们可以用以下代码实现：

def choose_best_feature(data):
    num_features = len(data[0]) - 1
    base_entropy = calc_entropy(data)
    best_info_gain = 0
    best_feature = -1
    for i in range(num_features):
        feature_values = [sample[i] for sample in data]
        unique_values = set(feature_values)
        new_entropy = 0
        for value in unique_values:
            sub_data = [sample for sample in data if sample[i] == value]
            prob = len(sub_data) / len(data)
            new_entropy += prob * calc_entropy(sub_data)
        info_gain = base_entropy - new_entropy
        if info_gain > best_info_gain:
            best_info_gain = info_gain
            best_feature = i
    return best_feature

接下来，我们需要编写一个函数来创建决策树。我们可以用以下代码实现：

def create_tree(data, labels):
    class_list = [sample[-1] for sample in data]
    if class_list.count(class_list[0]) == len(class_list):
        return class_list[0]
    if len(data[0]) == 1:
        return majority_class(class_list)
    best_feature = choose_best_feature(data)
    best_feature_label = labels[best_feature]
    tree = {best_feature_label: {}}
    del(labels[best_feature])
    feature_values = [sample[best_feature] for sample in data]
    unique_values = set(feature_values)
    for value in unique_values:
        sub_labels = labels[:]
        sub_data = [sample for sample in data if sample[best_feature] == value]
        tree[best_feature_label][value] = create_tree(sub_data, sub_labels)
    return tree

最后，我们可以用以下代码来测试我们的决策树：

data = [['红色', '圆形', '好果子'],
        ['绿色', '长条形', '好果子'],
        ['橙色', '圆形', '坏果子'],
        ['黄色', '圆形', '好果子'],
        ['红色', '长条形', '坏果子']]
labels = ['颜色', '形状', '好果子']
tree = create_tree(data, labels)
print(tree)

输出的结果如下：

{
  '颜色': {
    '红色': {
      '形状': {
        '圆形': '好果子',
        '长条形': '坏果子'
      }
    },
    '绿色': '好果子',
    '橙色': '坏果子',
    '黄色': '好果子'
  }
}

这个决策树可以用来判断一个新的水果是否是好果子。比如，如果一个水果是红色的、圆形的，那么根据这个决策树判断它是好果子。