利用python读取CSV文件根据四个特征进行三种类别的建模，最终显示决策树

好的，我来回答你的问题。

首先，你需要导入pandas库来读取CSV文件，并且使用sklearn库中的DecisionTreeClassifier来构建决策树模型。以下是一个简单的示例代码：

# 导入所需库
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn import metrics
from sklearn.tree import export_graphviz
from IPython.display import Image  
from sklearn.externals.six import StringIO  
import pydotplus

# 读取CSV文件
data = pd.read_csv('data.csv')

# 提取特征和目标列
X = data[['feature1', 'feature2', 'feature3', 'feature4']]
y = data['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 构建决策树模型
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)

# 预测测试集结果
y_pred = dtc.predict(X_test)

# 计算准确率
accuracy = metrics.accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

# 生成决策树图像
dot_data = StringIO()
export_graphviz(dtc, out_file=dot_data,  
                filled=True, rounded=True,
                special_characters=True, feature_names = X.columns,class_names=['class1','class2','class3'])
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())  
Image(graph.create_png())

这段代码做了以下几件事情：

1. 导入所需库。
2. 读取CSV文件，提取特征和目标列。
3. 划分训练集和测试集。
4. 构建决策树模型。
5. 预测测试集结果，并计算准确率。
6. 生成决策树图像。

其中，你需要替换代码中的data.csv文件名、特征列名和目标列名，以及类别名称。

希望这可以帮到你！