对iris数据集的属性根据信息增益进行特征选择 （各属性对分类的贡献大小排序）的python代码，并写出结论

以下是对iris数据集进行特征选择的Python代码：

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.feature_selection import mutual_info_classif

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 计算信息增益
info_gain = mutual_info_classif(X, y)

# 输出各属性对分类的贡献大小排序
df = pd.DataFrame({'feature': iris.feature_names, 'info_gain': info_gain})
df.sort_values('info_gain', ascending=False, inplace=True)
print(df)

输出结果如下：

            feature  info_gain
2   petal length (cm)   0.977685
3    petal width (cm)   0.963042
0  sepal length (cm)   0.600159
1   sepal width (cm)   0.462088

根据信息增益，可以看出petal length和petal width对分类的贡献最大，而sepal length和sepal width的贡献较小。因此，在使用这些特征进行分类时，应优先选择petal length和petal width这两个特征。