sklearn使用pd数据集进行训练决策树模型

@sklearn使用pd数据集进行训练模型

读取数据

sklearn训练数据时需要有特征行和类别行，有时候经过pd处理的数据集无法直接满足需求。

代码示例

处理数据代码如下：

import pandas as pd
data=pd.DataFrame({'特征1':[1,2,3],'特征2':[3,2,1],'类别':[4,5,6]})
print(data)
x=data.iloc[:,:2].values
y=data.iloc[:,2].values
print(x)
print(y)

经过处理，提取pandas处理后的每个数据前两列作为特征，最后一列作为类别

绘制决策树时参数赋值：

dot_data=export_graphviz(dtc,out_file=None,feature_names['特征1','特征2'],class_names['4','5','6'],filled=True,rounded=True,special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('决策树.png')

iloc函数详解：

(转载：Pandas中loc和iloc函数用法详解（源码+实例）