tree.py
import operator
from math import log
def calcShannonEnt(dataSet):#计算给定数据集的香农熵
numEntries=len(dataSet)#获取数据集的文件数目
labelCounts={}#建立一个标签矩阵 存放对应的标签值
for featVec in dataSet:
currentLabel=featVec[-1]#依次取featVec里的最后一个元素 即标签元素
if currentLabel not in labelCounts.keys():#如果得到的标签不在已有的标签集内
labelCounts[currentLabel]=0#创建一个新的标签
labelCounts[currentLabel]+=1#对对应的标签种类进行计数(已经存在的)
shannonEnt=0.0#熵清0
#对所有不同类别计算熵
for key in labelCounts:
prob=float(labelCounts[key])/numEntries
shannonEnt-=prob*log(prob,2)
return shannonEnt
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
def splitDataSet(dataSet,axis,value):#待划分的数据集、划分数据集的特征、需要返回的特征的值
retDataSet=[]
for featVec in dataSet:
if featVec[axis]==value:#特征与目标值一致
reducedFestVec=featVec[:axis]#将axis之前的列附到reducedFestVec中
reducedFestVec.extend(featVec[axis+1:])#将axis之后的列附到reducedFestVec中
retDataSet.append(reducedFestVec)#将reducedFestVec的值放到retDataSet中
return retDataSet
def chooseBestFeatureToSplit(dataSet):#选择最好的数据分割点
numFeatures=len(dataSet[0])-1#对数据集第一行,第一个例子的行数(特征个数),减1是为了方便计算
baseEntropy=calcShannonEnt(dataSet)#算出原始香农熵
bestInfoGain=0.0;bestFeature=-1#最佳分割点都置零
for i in range(numFeatures):
featList=[example[i] for example in dataSet]#对于数据集中的所有特征遍历
uniqueVals=set(featList)#设置一个列表存放这些特征
newEntropy=0.0#熵清零
for value in uniqueVals:
subDataSet=splitDataSet(dataSet,i,value)#不同特征处分割
prob=len(subDataSet)/float(len(dataSet))
newEntropy+=prob*calcShannonEnt(subDataSet)#获取此时的信息熵
infoGain=baseEntropy-newEntropy#获取信息增益
if(infoGain>bestInfoGain):
bestInfoGain=infoGain
bestFeature=i #此刻的分割位置
return bestFeature
def majorityCnt(classList):#多数表决分类函数
classCount={}
for vote in classList:
if vote not in classCount.keys():classCount[vote]=0#如果有新的类别,则创立一个新的元素进行代替
classCount[vote]+=1
sortedClassCount=sorted(classCount.iteritems(),key=operator.iteritems(1),reverse=True)#排序
return sortedClassCount[0][0]#返回最多的那个出现次数最多的分类名称
def createTree(dataSet,labels):
classList=[example[-1] for example in dataSet]#以数据集的最后一列作为一个新的列表
if classList.count(classList[0])==len(classList):#如果分类列表完全相同
return classList[0]#停止继续划分
if len(dataSet[0])==1:#
return majorityCnt(classList)#返回出现次数最多的那个
bestFeat=chooseBestFeatureToSplit(dataSet)#选择最优特征
bestFeatLabel=labels[bestFeat]#最优特征标签
myTree={bestFeatLabel:{}}#生成树
del(labels[bestFeat])#删掉最优特征的标签
featValues=[example[bestFeat] for example in dataSet]#获取训练集中所有最优特征属性值
uniqueVals=set(featValues)#把重复的属性去掉 放到uniqueVals里面
for value in uniqueVals:#遍历属性值
subLabels=labels[:]#先把原始标签数据完全复制
myTree[bestFeatLabel][value]=createTree(splitDataSet(dataSet,bestFeat,value),subLabels)#以该特征来划分决策树
return myTree
def classify(inputTree,featLabels,testVec):
firstStr=list(inputTree.keys())[0]
secondDict=inputTree[firstStr]
featIndex=featLabels.index(firstStr)
for key in secondDict.keys():
if testVec[featIndex]==key:
if typr(secondDict[key]).__name__=='dict':
classLabel=classify(secondDict[key],featLabels,testVec)
else:
classLabel=secondDict[key]
return classLabel