|
|
- # -*- coding:UTF-8 -*-
- from sklearn.feature_extraction import DictVectorizer
- from sklearn import preprocessing
- from sklearn import tree
- import csv
- import pydotplus
- # -*- coding:utf-8 -*-
- #以只讀的方式打開指定的擴展名為csv的文件，其編碼格式為UTF-8-sig，注意這個位置的編碼格式不能是utf-8
- file = open(r'E:\python\a.csv','r',encoding='utf-8-sig')
- #讀取文件的內容并將其賦給變量data
- data = csv.reader(file)
- #讀取變量data中的第一行（表頭）
- header = next(data)
- #print('header = ' + str(header))
- #創建一個列表attributeList，專門存放數據源的屬性值
- attributeList = []
- #創建一個列表resultList，專門存放對應各行記錄的結果值
- resultList = []
- for row in data:
- resultList.append(row[len(row) - 1]) #將每行記錄的結果值存入resultList中
- rowDictionary = {} #定義一個詞典rowDictionary，用來存放每行的屬性名稱及其對應的屬性值
- for i in range(1,len(row) - 1):
- rowDictionary[header[i]] = row[i] #向詞典rowDictionary添加屬性名稱及其對應的屬性值
- attributeList.append(rowDictionary) #將每次內層循環產生的詞典添加到列表attributeList中
- # print(resultList)
- vec = DictVectorizer() #創建一個DictVectorizer的實例，DictVectorizer是字典特征提取器，用來將數據的數據類型轉化為整型
- attributeArray = vec.fit_transform(attributeList).toarray() #利用vec實例將列表attributeList轉化成“01”矩陣，函數fit_transform是先擬合數據，再標準化，函數toarray是將轉化后的數據轉變為數組
- title = vec.get_feature_names() #獲取vec中所有特征向量的名稱和及其能取到的值
- #print(title)
- #print(array)
- lb = preprocessing.LabelBinarizer() #初始化變量lb，preprocessing.LabelBinarizer()的作用是可將分類數據轉化為“01”數據，例如可以把yes和no轉化為0和1，或是把incident和normal轉化為0和1
- resultArray = lb.fit_transform(resultList) #將結果值列表resultList轉化為“01”矩陣
- #print(resultArray)
- transformArray = tree.DecisionTreeClassifier(criterion='entropy') #利用分類決策樹tree（已引入）模塊創建決策樹分類器DecisionTreeClassifier，其實現算法是ID3算法(criterion=entropy)
- transformArray = transformArray.fit(attributeArray, resultArray) #根據attributeArray和resultArray生成決策樹
- #利用pip安裝graphviz包和pydotplus包
- dotData = tree.export_graphviz(transformArray,feature_names=title,out_file=None)#根據transformArray和title生成判定樹的節點，同時讓輸出文件為None（out_file=None）
- graph = pydotplus.graph_from_dot_data(dotData) #根據上條語句生成的決策樹結點dotData生成判定樹的圖形結構
- graph.write_pdf('E:/python/a.pdf') #將樹形結構寫入到指定的文件中
|
|
QQ好友和群
QQ空間
騰訊微博
騰訊朋友
收藏
淘帖
頂
踩
