决策树id3算法python代码

以下是一个简单的决策树ID3算法的Python代码示例：

import math
from collections import Counter

def entropy(data):
    """
    计算数据集的熵
    """
    n = len(data)
    label_counts = Counter(data)
    probs = [label_counts[label] / n for label in label_counts]
    return -sum(p * math.log2(p) for p in probs)

def information_gain(data, split_attr, target_attr):
    """
    计算信息增益
    """
    original_entropy = entropy(data[target_attr])
    n = len(data)
    split_counts = Counter(data[split_attr])
    split_entropy = sum(split_counts[split_val] / n * entropy(data[data[split_attr] == split_val][target_attr]) for split_val in split_counts)
    return original_entropy - split_entropy

def id3(data, target_attr, attrs):
    """
    ID3算法
    """
    if len(set(data[target_attr])) == 1:
        return data[target_attr].iloc[0]
    if not attrs:
        return Counter(data[target_attr]).most_common(1)[0][0]
    best_attr = max(attrs, key=lambda attr: information_gain(data, attr, target_attr))
    tree = {best_attr: {}}
    for attr_val in set(data[best_attr]):
        subtree = id3(data[data[best_attr] == attr_val].drop(best_attr, axis=1), target_attr, attrs - {best_attr})
        tree[best_attr][attr_val] = subtree
    return tree

其中，`data`是一个Pandas DataFrame，`target_attr`是目标属性列的名称，`attrs`是一个包含所有属性名称的集合。函数`entropy`计算数据集的熵，`information_gain`计算信息增益，`id3`是ID3算法的主要函数。函数返回一个字典，其中每个键是一个属性名称，对应的值是一个子树。