决策树为字典格式，示例如下：

{'tearRate': {'reduced': 'no lenses', 'normal': {' astigmatic': {'yes': {' prescript': {'hyper': {'age': {'pre': 'no lenses', 'presbyopic': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}, 'no': {'age': {'pre': 'soft', 'presbyopic': {' prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'young': 'soft'}}}}}}

绘制决策树代码

import matplotlib.pyplot as plt
def getNumLeafs(myTree):
# 初始化树的叶子节点个数
numLeafs = 0
# myTree.keys()获取树的非叶子节点'no surfacing'和'flippers'
# list(myTree.keys())[0]获取第一个键名'no surfacing'
firstStr = list(myTree.keys())[0]
# 通过键名获取与之对应的值，即{0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}
secondDict = myTree[firstStr]
# 遍历树，secondDict.keys()获取所有的键
for key in secondDict.keys():
# 判断键是否为字典，键名1和其值就组成了一个字典，如果是字典则通过递归继续遍历，寻找叶子节点
if type(secondDict[key]).__name__ == 'dict':
numLeafs += getNumLeafs(secondDict[key])
# 如果不是字典，则叶子结点的数目就加1

else:

numLeafs += 1
# 返回叶子节点的数目
return numLeafs
def getTreeDepth(myTree):
# 初始化树的深度
maxDepth = 0
# 获取树的第一个键名
firstStr = list(myTree.keys())[0]
# 获取键名所对应的值
secondDict = myTree[firstStr]
# 遍历树
for key in secondDict.keys():
# 如果获取的键是字典，树的深度加1
if type(secondDict[key]).__name__ == 'dict':
thisDepth = 1 + getTreeDepth(secondDict[key])
else:
thisDepth = 1
# 去深度的最大值
if thisDepth > maxDepth: maxDepth = thisDepth
# 返回树的深度
return maxDepth
# 绘图相关参数的设置
def plotNode(nodeTxt, centerPt, parentPt, nodeType):
# annotate函数是为绘制图上指定的数据点xy添加一个nodeTxt注释
# nodeTxt是给数据点xy添加一个注释，xy为数据点的开始绘制的坐标,位于节点的中间位置
# xycoords设置指定点xy的坐标类型，xytext为注释的中间点坐标，textcoords设置注释点坐标样式
# bbox设置装注释盒子的样式,arrowprops设置箭头的样式

'''

figure points:表示坐标原点在图的左下角的数据点

figure pixels:表示坐标原点在图的左下角的像素点

figure fraction：此时取值是小数，范围是([0,1],[0,1]),在图的左下角时xy是(0,0)，最右上角是(1,1)

其他位置是按相对图的宽高的比例取最小值

axes points : 表示坐标原点在图中坐标的左下角的数据点

axes pixels : 表示坐标原点在图中坐标的左下角的像素点

axes fraction : 与figure fraction类似，只不过相对于图的位置改成是相对于坐标轴的位置

'''

createPlot.ax1.annotate(nodeTxt, xy=parentPt, \
xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', \
va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)
# 绘制线中间的文字(0和1)的绘制
def plotMidText(cntrPt, parentPt, txtString):
xMid = (parentPt[0] - cntrPt[0]) / 2.0 + cntrPt[0] # 计算文字的x坐标
yMid = (parentPt[1] - cntrPt[1]) / 2.0 + cntrPt[1] # 计算文字的y坐标
createPlot.ax1.text(xMid, yMid, txtString)
# 绘制树
def plotTree(myTree, parentPt, nodeTxt):
# 获取树的叶子节点
numLeafs = getNumLeafs(myTree)
# 获取树的深度
depth = getTreeDepth(myTree)
# firstStr = myTree.keys()[0]
# 获取第一个键名
firstStr = list(myTree.keys())[0]
# 计算子节点的坐标
cntrPt = (plotTree.xoff + (1.0 + float(numLeafs)) / 2.0 / plotTree.totalW, plotTree.yoff)
# 绘制线上的文字
plotMidText(cntrPt, parentPt, nodeTxt)
# 绘制节点
plotNode(firstStr, cntrPt, parentPt, decisionNode)
# 获取第一个键值
secondDict = myTree[firstStr]
# 计算节点y方向上的偏移量，根据树的深度
plotTree.yoff = plotTree.yoff - 1.0 / plotTree.totalD
for key in secondDict.keys():
if type(secondDict[key]).__name__ == 'dict':
# 递归绘制树
plotTree(secondDict[key], cntrPt, str(key))

else:

# 更新x的偏移量,每个叶子结点x轴方向上的距离为 1/plotTree.totalW
plotTree.xoff = plotTree.xoff + 1.0 / plotTree.totalW
# 绘制非叶子节点
plotNode(secondDict[key], (plotTree.xoff, plotTree.yoff), cntrPt, leafNode)
# 绘制箭头上的标志
plotMidText((plotTree.xoff, plotTree.yoff), cntrPt, str(key))
plotTree.yoff = plotTree.yoff + 1.0 / plotTree.totalD
# 绘制决策树，inTree的格式为{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}
def createPlot(inTree):
# 新建一个figure设置背景颜色为白色
fig = plt.figure(1, facecolor='white')
# 清除figure
fig.clf()
axprops = dict(xticks=[], yticks=[])
# 创建一个1行1列1个figure，并把网格里面的第一个figure的Axes实例返回给ax1作为函数createPlot()
# 的属性，这个属性ax1相当于一个全局变量，可以给plotNode函数使用
createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)
# 获取树的叶子节点
plotTree.totalW = float(getNumLeafs(inTree))
# 获取树的深度
plotTree.totalD = float(getTreeDepth(inTree))
# 节点的x轴的偏移量为-1/plotTree.totlaW/2,1为x轴的长度，除以2保证每一个节点的x轴之间的距离为1/plotTree.totlaW*2
plotTree.xoff = -0.5 / plotTree.totalW
plotTree.yoff = 1.0
plotTree(inTree, (0.5, 1.0), '')
plt.show()
运行代码
# 设置画节点用的盒子的样式
decisionNode = dict(boxstyle="sawtooth", fc="0.8")
leafNode = dict(boxstyle="round4", fc="0.8")
# 设置画箭头的样式
arrow_args = dict(arrowstyle="
tree_dict = {'tearRate': {'reduced': 'no lenses', 'normal': {' astigmatic': {'yes': {' prescript': {'hyper': {'age': {'pre': 'no lenses', 'presbyopic': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}, 'no': {'age': {'pre': 'soft', 'presbyopic': {' prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'young': 'soft'}}}}}}
createPlot(tree_dict)

效果图


决策树构建示例

决策树实战——预测隐形眼睛类型