python实现西瓜2.0决策树

以下是一个简单的Python实现示例：

import pandas as pd
import numpy as np

# 定义数据集
data = {
    '色泽': ['青绿', '乌黑', '乌黑', '青绿', '浅白', '青绿', '乌黑', '乌黑', '乌黑', '青绿'],
    '根蒂': ['蜷缩', '蜷缩', '硬挺', '蜷缩', '蜷缩', '稍蜷', '稍蜷', '蜷缩', '稍蜷', '硬挺'],
    '敲声': ['浊响', '沉闷', '浊响', '沉闷', '浊响', '浊响', '沉闷', '浊响', '浊响', '沉闷'],
    '纹理': ['清晰', '稍糊', '清晰', '稍糊', '清晰', '?', '?', '稍糊', '?', '稍糊'],
    '脐部': ['凹陷', '凹陷', '凹陷', '凹陷', '凹陷', '稍凹', '稍凹', '凹陷', '稍凹', '硬挺'],
    '触感': ['硬滑', '硬滑', '硬滑', '硬滑', '硬滑', '软粘', '软粘', '硬滑', '软粘', '软粘'],
    '好瓜': ['是', '是', '是', '是', '是', '是', '是', '是', '否', '否']
}
df = pd.DataFrame(data)

# 定义信息熵函数
def entropy(s):
    _, counts = np.unique(s, return_counts=True)
    p = counts / len(s)
    return -np.sum(p * np.log2(p))

# 定义信息增益函数
def gain(data, feature, target):
    target_entropy = entropy(data[target])
    feature_values, counts = np.unique(data[feature], return_counts=True)
    weighted_feature_entropy = np.sum([(counts[i] / np.sum(counts)) * entropy(data.where(data[feature]==feature_values[i]).dropna()[target]) for i in range(len(feature_values))])
    return target_entropy - weighted_feature_entropy

# 定义决策树构建函数
def build_tree(data, features, target):
    # 如果数据集中所有瓜都是同一种，则返回叶节点，将该瓜类别作为节点值
    if len(np.unique(data[target])) <= 1:
        return np.unique(data[target])[0]
    # 如果没有特征可供选择，则返回叶节点，将数据集中出现次数最多的瓜类别作为节点值
    if len(features) == 0:
        return data[target].mode()[0]
    # 否则，选择信息增益最大的特征进行分割
    best_feature = max(features, key=lambda f: gain(data, f, target))
    # 创建新的决策树节点，并递归处理子树
    tree = {best_feature: {}}
    for value in np.unique(data[best_feature]):
        sub_data = data.where(data[best_feature] == value).dropna()
        sub_tree = build_tree(sub_data, [f for f in features if f != best_feature], target)
        tree[best_feature][value] = sub_tree
    return tree

# 构建决策树
tree = build_tree(df, df.columns[:-1], '好瓜')

# 打印决策树
import json
print(json.dumps(tree, indent=4))

希望这个示例能对你有所帮助！