决策树ID3算法的python实现

决策树ID3算法的python实现

环境：win7 64位 python3.5

熵参考：http://blog.csdn.net/ggwcr/article/details/77964184

import numpy as np
from math import log
import operator

def createDataSet():
    dataSet = [
        [1, 1, 'yes'],
        [1, 1, 'yes'],
        [1, 0, 'no'],
        [0, 1, 'no'],
        [0, 1, 'no']
    ]
    labels = ['no surfacing', 'flippers']
    return dataSet, labels

# 计算给定数据集的香浓
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)               # 计算数据集有多少行，即记录数
    labelCounts = {}                        # 创建一个空的字典
    for featVec in dataSet:
        currentLabel = featVec[-1]          # 获取标称变量
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries # 使用频率代替概率
        shannonEnt -= prob*log(prob, 2)
    return shannonEnt

# 按照给定特征划分数据集
# 参数：待划分的数据集、划分数据集的特征、要抽取的特征的值
def splitDataSet(dataSet, axis, value):
    retDataSet = []         # 创建一个空的列表
    for featVec in dataSet:
        if featVec[axis] == value:
            # 取划分特征值前面一部分，但不包括特征值
            reduceFeatVec = featVec[:axis]
             # 取划分特征值后面一部分，但不包括特征值
            reduceFeatVec.extend(featVec[axis+1:])   
            """
            以上两行获得的数据集将不包括特征值的记录，
            以达到每一次划分都将大数据集划分为小数据集的目的

            """
            # 以每条记录为单位追加到空列表中
            retDataSet.append(reduceFeatVec)            
    return retDataSet

# featList = [example[i] for example in dataSet]
'''
array([[ 1,  1,  0,  4],
       [ 0,  1,  1,  8],
       [ 1,  0,  1, 12],
       [ 1,  1,  1,  9],
       [ 0,  0,  0,  7]])
------------------------------
for i in range(3):
    featList = [example[i] for example in dataSet]
    print 'example[i] : ', example[i]
    print 'example : ', example
    print featList
-----------------------------
    example[i] :  0
    example :  [0 0 0 7]
    featList : [1, 0, 1, 1, 0]

    example[i] :  0
    example :  [0 0 0 7]
    featList : [1, 1, 0, 1, 0]

    example[i] :  0
    example :  [0 0 0 7]
    featList : [0, 1, 1, 1, 0]
'''
# 循环计算香农熵和splitDataSet()函数，找到最好的特征划分方式
def chooseBestFeatureToSplit(dataSet):
    # 一行中的长度减去标称变量剩下的就是特征值的数量
    numFeatures = len(dataSet[0]) -1 
    #计算了整个数据集的原始香农熵，保存最初的无序度量值,.用于与划分完之后的数据集计算的嫡值进行比较
    baseEntropy = calcShannonEnt(dataSet) 
    bestInfoGain = 0.0
    bestFeature = -1
    # 循环遍历数据集中的所有特征
    for i in range(numFeatures):     
        # featList是List可以包含重复的特征值
        featList = [example[i] for example in dataSet] # 第i列的特征值的列表 如第0列[1, 1, 1, 0, 0]
        # set中的每一个值都不相同
        uniqueVals = set(featList)  # 第i列特征值的枚举类型 如第0列 {0, 1}
        newEntropy = 0.0
        # 遍历当前特征中的所有唯一属性值，对每个特征划分一次数据集
        for value in uniqueVals:
            # subDataSet为剃掉特征值i的子集
#             print("===============================")
#             print("value: ",value)
            subDataSet = splitDataSet(dataSet, i, value) 
#             print("subDataSet: ",subDataSet)
            # 第i列特征向量不同取值为value占总体样本的比例
            prob = len(subDataSet)/float(len(dataSet))
#             print("len(subDataSet): ",len(subDataSet))
#             print("len(dataSet): ",len(dataSet))
            newEntropy += prob * calcShannonEnt(subDataSet)  
        # 计算信息增益 信息增益是熵的减少或者是数据无序度的减少
        infoGain = baseEntropy - newEntropy                     
        if (infoGain > bestInfoGain):
            bestInfoGain = infoGain
            bestFeature = i
    return bestFeature

def majorityCnt(classList):
    classCount = {}
    for vote in classList:
        if vote not in classCount.keys():
            classCount = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

# 参数：数据集和标签列表
def createTree(dataSet,labels):
    classList = [example[-1] for example in dataSet]        # 包含了数据集的所有类标签
    if classList.count(classList[0]) == len(classList):     # 当所有的类都相等时停止分裂
        return classList[0]
    if len(dataSet[0]) == 1:                                    # 使用完了所有特征，仍然不能将数据集划分成仅包含唯一类别的分组
        return majorityCnt(classList)                           # 采用多数多数原则选出分组
    bestFeat = chooseBestFeatureToSplit(dataSet)                # 选出最佳的特征值
    bestFeatLabel = labels[bestFeat]                            # 获取该特征的名称

    # 这里直接使用字典变量来存储树信息，这对于绘制树形图很重要。
    myTree = {bestFeatLabel:{}}                                 # 当前数据集选取最好的特征存储在bestFeat中
    del(labels[bestFeat])                                       # 删除已经在选取的特征
    featValues = [example[bestFeat] for example in dataSet]
    uniqueVlas = set(featValues)
    for value in uniqueVlas:
        subLabels = labels[:]                                   # 复制所有标签，这样树就不会破坏现有的标签
        myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet, bestFeat, value),subLabels)
    return myTree

myDat,labels = createDataSet()
print("myDat:",myDat)
MyTree = createTree(myDat,labels)
print(MyTree)

myDat: [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']]
{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}