python实现决策树算法

from sklearn.feature_extraction import DictVectorizerimport csvfrom sklearn import treefrom sklearn import preprocessingfrom sklearn.externals.six import StringIO# 读取csv数据，并将数据和特征值存入字典和类标签列表allElectronicsData = open(r'AllElectronics.csv', 'rt')reader = csv.reader(allElectronicsData)headers = next(reader)# 原代码中用的是：# headers = reader.next()# 这句代码应该是之前的版本用的，现在已经更新了没有next这个函数# print(headers)featureList = []labelList = []for row in reader:    labelList.append(row[len(row) - 1])    rowDict = {}    for i in range(1, len(row) - 1):        rowDict[headers[i]] = row[i]    featureList.append(rowDict)# print(featureList)# 将特征值矢量化,代表将各种参数进行矢量化vec = DictVectorizer()dummyX = vec.fit_transform(featureList).toarray()# print("dummyX: " + str(dummyX))# print(vec.get_feature_names())# print("labelList: " + str(labelList))# 将类标签列表矢量化，就是最后的结果lb = preprocessing.LabelBinarizer()dummyY = lb.fit_transform(labelList)# print("dummyY: " + str(dummyY))# 使用决策树进行分类clf = tree.DecisionTreeClassifier()# clf = tree.DecisionTreeClassifier(criterion = 'entropy')clf = clf.fit(dummyX, dummyY)# print("clf: " + str(clf))# 将模型进行可视化with open("allElectrionicInformationOri.dot", 'w') as f:    f = tree.export_graphviz(clf, feature_names = vec.get_feature_names(), out_file = f)oneRowX = dummyX[0, :]# print("oneRowX: " + str(oneRowX))# 接下来改变一些数据进行预测newRowX = oneRowXnewRowX[0] = 0newRowX[1] = 1print("newRowX: " + str(newRowX))predictedY = clf.predict(newRowX.reshape(1, -1))  # 预测的结果需要加上后面的reshape(1, -1),不然会# 报错：# ValueError: Expected 2D array, got 1D array instead:# array=[0. 1. 1. 0. 1. 1. 0. 0. 1. 0.].# Reshape your data either using array.reshape(-1, 1)# if your data has a single feature or array.reshape(1, -1) if it contains a single sample.print("预测的结果为： " + str(predictedY))