【Python机器学习】使用Matplotlib注解绘制树形图

通过数据集可以创建树，但是字典的表示形式非常不易于理解，而且直接绘制图形也比较困难。但是通过Matplotlib库可以绘制树形图。

决策树的主要优点就是直观、易于理解，如果不能将其直观的显示出来，就无法发挥其优势。

Matplotlib提供了一个非常有用的注解工具annotations，它可以在数据图形上添加文本注解，注解通常用于解释数据的内容。由于数据上面直接存在文本描述非常丑陋，因此工具内嵌支持带箭头的划线工具，使我们可以在其他恰当的地方指向数据位置，并在此处添加描述信息，解释数据内容。

def plotNode(nodeTxt,centerPt,parentPt,nodeType):
    createPlot.axl.annotate(nodeTxt,
                            xy=parentPt,
                            xycoords='axes fraction',
                            xytext=centerPt,
                            textcoords='axes fraction',
                            va='center',
                            ha='center',
                            bbox=nodeType,
                            arrowprops=arrow_args)
def createPlot():
    fig=plt.figure(1,facecolor='white')
    fig.clf()
    createPlot.axl=plt.subplot(111,frameon=False)
    plotNode('决策节点',(0.5,0.1),(0.1,0.5),decisionNode)
    plotNode('叶结点',(0.8,0.1),(0.3,0.8),leafNode)
    plt.show()

这是第一版的createPlot()函数，代码定义了描述树节点格式的常量。然后定义plotNode()函数执行了实际的绘图功能，该函数需要一个绘图区，该区域由全局变量createPlot.axl定义。最后定义createPlot()函数，它是这段代码的核心。createPlot()函数首先创建了一个新图形并清空绘图区，然后在绘图区上绘制两个代表不同类型的树节点，后面将用这两个节点绘制树形图。

createPlot()