python关于信息增益 信息熵的计算

首先信息熵和信息增益的通俗理解这里不多解释，想了解的看这里：
信息增益通俗理解](https://blog.csdn.net/It_BeeCoder/article/details/79554388)
设置了两个数组：

a = np.array([1,2,3,4,5,6,7,8,9])
b = np.array([1,2,3,1,3,1,3,3,2])

a是全体样本在某一特征下的取值，
b是对应的分类结果，有三类
则计算a对b的信息增益：
首先计算b的信息熵：

ent_b = sum((-1) * np.log2(pd.value_counts(b) / len(b)) * pd.value_counts(b) / len(b))

再计算a在b条件下的熵：

这是计算b的类别数

num_label = np.unique(b, return_counts= True)

创造一个列表ent_v1记录每个类别对应的信息熵

ent_v1 = []

分别计算a在b不同类别下的熵：

for i in range(len(num_label[0])):
        #创建一个空的列表，记录每次循环类别对应的样本
        m = []
        for j in range(b.shape[0]):
            if b[j] == i:
                m.append(a[j])
        #计算列表m的信息熵
        ent_v1.append(sum((-1) * np.log2(pd.value_counts(m) / len