根据下列给定的14个数据,运用Information Gain构造一个天气决策树。 例子编号 属 性 分类 天况 温度 湿度 风况 1 晴 热 大 无 N 2 晴 热 大 有 N 3 多云 热 大 无 P 4 雨 中 大 无 P 5 雨 冷 正常 无 P 6 雨 冷 正常 有 N 7 多云 冷 正常 有 P 8 晴 中 大 无 N 9 晴 冷 正常 无 P 10 雨 中 正常 无 P 11 晴 中 正常 有 P 12 多云 中 大 有 P 13 多云 热 正常 无 P 14 雨 中 大 有 N，并写出具体代码

感谢您提供的数据集。下面是使用Python语言，基于信息增益构造天气决策树的代码：

import pandas as pd
import numpy as np
import math

# 读取数据集
data = pd.read_csv('weather_data.csv')
print('原始数据集：')
print(data)

# 定义计算信息熵的函数
def calc_entropy(label):
    num_entries = len(label)
    label_counts = np.unique(label, return_counts=True)[1]
    prob = label_counts / num_entries
    entropy = (-prob * np.log2(prob)).sum()
    return entropy

# 定义计算信息增益的函数
def calc_info_gain(data, attr, label):
    num_entries = len(label)
    base_entropy = calc_entropy(label)
    attr_values, attr_counts = np.unique(data[attr], return_counts=True)
    new_entropy = 0
    for i in range(len(attr_values)):
        sub_data = data.loc[data[attr] == attr_values[i]]
        sub_label = label.loc[data[attr] == attr_values[i]]
        sub_entropy = calc_entropy(sub_label)
        new_entropy += sub_counts[i] / num_entries * sub_entropy
    info_gain = base_entropy - new_entropy
    return info_gain

# 定义递归构建决策树的函数
def create_tree(data, labels):
    class_list = data.iloc[:, -1]
    if len(np.unique(class_list)) == 1:
        return class_list.iloc[0]
    if len(data.columns) == 1:
        return np.unique(class_list)[np.argmax(np.unique(class_list, return_counts=True)[1])]
    best_attr_index = np.argmax([calc_info_gain(data, attr, class_list) for attr in data.iloc[:, :-1].columns])
    best_attr = data.columns[best_attr_index]
    my_tree = {best_attr: {}}
    del data[best_attr]
    for value in np.unique(data[best_attr]):
        sub_data = data.loc[data[best_attr] == value]
        sub_labels = class_list.loc[data[best_attr] == value]
        my_tree[best_attr][value] = create_tree(sub_data, sub_labels)
    return my_tree

# 构建决策树
tree = create_tree(data, data.columns[:-1])
print('构建的决策树：')
print(tree)

其中，数据集保存在名为"weather_data.csv"的文件中。代码中使用pandas库读取数据集，然后定义了两个函数，分别用于计算信息熵和信息增益。最后，使用递归方式构建决策树，并将结果保存在一个字典中。在构建决策树的过程中，代码使用了numpy库中的一些函数，例如计算数组中唯一值和唯一值出现次数的函数。