ID3连续与离散

import pandas as pd
from math import log
import treePlotter
import operator
#计算给定数据集的香农熵
def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for key in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob, 2)
    return shannonEnt
# 对离散变量划分数据集，取出该特征取值为value的所有样本
def splitDataSet(dataSet, axis, value):
    retDataSet = []
    for featVec in dataSet:
        if featVec[axis] == value:
            reducedFeatVec = featVec[:axis]
            reducedFeatVec.extend(featVec[axis + 1:])
            retDataSet.append(reducedFeatVec)
    return retDataSet
# 对连续变量划分数据集——二分法。不大于或者大于value的样本分别保存，进行划分
# direction规定划分的方向，决定是划分出小于value的数据样本还是大于value的数据样本集
def splitContinuousDataSet(dataSet, axis, value, direction):
    retDataSet = []
    for featVec in dataSet:
        if direction == 0:
            if featVec[axis] > value:
                retDataSet.append(featVec)  # 连续型特征和特征值都不删除
        else:
            if featVec[axis] <= value:
                retDataSet.append(featVec)
    return retDataSet
# 选择最好的数据集划分方式
def chooseBestFeatureToSplit(dataSet, labels):
    numFeatures = len(dataSet[0]) - 1  # 特征的数目，最后一列是类别
    baseEntropy = calcShannonEnt(dataSet)  # 经验熵 Ent(D)
    bestInfoGain = 0.0  # 最优的信息增益值。
    bestFeature = -1  # 最优的Feature编号
    bestSplitDict = {}  # key:value = {连续型特征标签:最优划分点}
    # bestSplitValue = None  # 连续型特征的最优划分点
    for i in range(numFeatures):
        featList = [example[i] for example in dataSet]  # 获取第i列(第i特征)下的所有数据，存到列表中
        # 对连续型特征进行处理
        # 为每一个连续型特征寻找最优划分点，并计算在最优划分点时的信息增益
        if type(featList[0]).__name__ == 'float' or type(featList[0]).__name__ == 'int':  # 判断当前属性是否为连续型.等价于type(featList[0]) == float:
            # 产生n-1个候选划分点
            sortfeatList = sorted(featList)  # 二分法：先对属性值从小到大进行排序
            splitList = []
            for j in range(len(sortfeatList) - 1):  # 每一个划分点是相邻属性值的平均
                splitList.append((sortfeatList[j] + sortfeatList[j + 1]) / 2.0)
            bestSplitEntropy = 10000
            slen = len(splitList)  # 划分点个数
            # 求用第j个候选划分点划分时，得到的信息熵，并记录最佳划分点
            for j in range(slen):
                value = splitList[j]  # 划分点的值value <=value,>value
                newEntropy = 0.0  # 创建一个临时的信息熵，用来作比较
                subDataSet0 = splitContinuousDataSet(dataSet, i, value, 0)  # 划分数据集  >value
                subDataSet1 = splitContinuousDataSet(dataSet, i, value, 1)  # <=value
                # print(subDataSet0)
                # print(subDataSet1)
                prob0 = len(subDataSet0) / float(len(dataSet))  # >value的比例
                prob1 = len(subDataSet1) / float(len(dataSet))
                newEntropy = prob0 * calcShannonEnt(subDataSet0) + prob1 * calcShannonEnt(subDataSet1)  # P75(4.2)的减数
                if newEntropy < bestSplitEntropy:  # 越小越好 因为Ent(D)固定-newEntropy
                    bestSplitEntropy = newEntropy
                    bestSplit = j
            # 用字典记录当前特征(属性)的最佳划分点
            bestSplitDict[labels[i]] = splitList[bestSplit]
            infoGain = baseEntropy - bestSplitEntropy  # 当前连续型特征最优划分点的信息增益
        # 对离散型特征进行处理
        else:
            uniqueVals = set(featList)  # 特征值去重
            newEntropy = 0.0
            # 针对每个特征值，划分数据集 并 计算各子集的信息熵
            for value in uniqueVals:
                subDataSet = splitDataSet(dataSet, i, value)  # 第i个特征取值为value对应的每个样本组成的数据集
                prob = len(subDataSet) / float(len(dataSet))  # Dv/D
                newEntropy += prob * calcShannonEnt(subDataSet)  # prob*信息熵，累加每一个特征值value的
            infoGain = baseEntropy - newEntropy  # 离散型特征的 信息增益
        #  比较每一个特征的信息增益，选择最大的。 例如纹理
        if infoGain > bestInfoGain:
            bestInfoGain = infoGain
            bestFeature = i
    # 返回：最优划分特征所在的列，和连续型{特征标签:最优划分点}
    return bestFeature, bestSplitDict
# 采用多数表决（投票）的方法决定该叶子结点的分类。
def majorityCnt(classList):
    classCount = {}  # 存储每个类别标签出现的频率 key:value = {属性值:出现的次数}
    for vote in classList:
        if vote not in classCount.keys():
            classCount[vote] = 0
        classCount[vote] += 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)  # 字典按1(value)进行排序，变成列表
    # [(k,v), (),...]
    return sortedClassCount[0][0]
# 主程序，递归产生决策树
def createTree(dataSet, labels, data_full, labels_full):
    classList = [example[-1] for example in dataSet]  # 数据集最后一列的数据,类别
    if classList.count(classList[0]) == len(classList):  # 一、如果样本都属于同一类，例如都是好瓜，就没必要再分类了。
        return classList[0]
    if len(dataSet[0]) == 1:  # 二、所有特征都用完了，但类别标签仍然不是唯一的,返回出现次数最多的类别
        return majorityCnt(classList)
    bestFeat, bestSplitDict = chooseBestFeatureToSplit(dataSet, labels)  # 选择最优划分特征  bestFeat:最优特征所在索引
    if bestFeat == -1:  # 三、没有选出最优划分特征，返回出现次数最多的类别
        return majorityCnt(classList)
    bestFeatLabel = labels[bestFeat]  # 列对应的特征标签。
    # 1、最优划分特征是离散型
    if type(dataSet[0][bestFeat]).__name__ == 'str':
        # 注意：这里不能在if上面，全局变量的话对于连续型特征的key会不相等，例如密度和密度<=0.381
        myTree = {bestFeatLabel: {}}  # 初始化myTree，使用特征标签创建树，多级字典的形式展现树
        featValues = [example[bestFeat] for example in dataSet]  # 最优特征列对应的取值
        uniqueVals = set(featValues)  # 特征值去重，有几个不同取值  dataSet随着数据集划分会变小 {'青绿', '乌黑'}
        # dataSet随着数据集的划分，子集中包含的属性值会减少，比如纹理：清晰，稍糊，模糊。
        # 在清晰下的子集中5个样本，最优特征为色泽，实际色泽有青绿、乌黑、浅白，这5个样本没有浅白，会造成缺失。
        # 因此，需要一个包含全部数据的data_full，来获取所有特征值。
        # 因为，在划分数据时，删除最优划分特征所对应的列，导致在dataSet和data_full 中对应的列（bestFeat）不同
        # 所以，先找到最优特征对应的标签即bestFeatLabel，然后标签对应在data_full列，最后得到该列对应的不同特征值。
        bestFeatIndexInFull = labels_full.index(bestFeatLabel)  # list.index(key)：返回key出现的第一个位置
        featValuesFull = [example[bestFeatIndexInFull] for example in data_full]
        uniqueValsFull = set(featValuesFull)  # 这一特征在全部数据集中的所有特征值
        # print(uniqueVals, 'uniqueValsFull:', uniqueValsFull)  # {'浅白', '青绿', '乌黑'}
        del (labels[bestFeat])  # 离散型特征选择完之后就不再作为划分特征
        for value in uniqueValsFull:  # 例如最优特征：纹理；uniqueVals：清晰，稍糊，模糊
            if value in uniqueVals:
                subLabels = labels[:]  # 去掉最优划分特征之后，剩下的特征集
                valueDataSet = splitDataSet(dataSet, bestFeat, value)  # 特征值为value的所有数据
                myTree[bestFeatLabel][value] = createTree(valueDataSet, subLabels, data_full, labels_full)
                # print('===', myTree)  # 先输出嵌套的最里层
            else:
                myTree[bestFeatLabel][value] = majorityCnt(classList)  # 子集没有的特征值，返回出现次数最多的类别
    # 2、连续型特征，不删除
    else:
        bestSplitValue = bestSplitDict[bestFeatLabel]  # 特征对应的最优划分点
        bestFeatLabel = labels[bestFeat] + '<=' + str(bestSplitValue)  # 密度变为：密度<=0.381
        myTree = {bestFeatLabel: {}}  # 初始化myTree，使用特征标签创建树，多级字典的形式展现树
        subDataSet0 = splitContinuousDataSet(dataSet, bestFeat, bestSplitValue, 0)  # >value
        subDataSet1 = splitContinuousDataSet(dataSet, bestFeat, bestSplitValue, 1)  # <=value
        myTree[bestFeatLabel]['no'] = createTree(subDataSet0, labels, data_full, labels_full)
        # print('连续型否：', myTree)  # 先输出最底层的键值对，作为上一层的value
        myTree[bestFeatLabel]['yes'] = createTree(subDataSet1, labels, data_full, labels_full)
        # print('连续型是：', myTree)
    return myTree
#决策树
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 type(secondDict[key]).__name__ == 'dict':
                classLabel = classify(secondDict[key], featLabels, testVec)
            else:
                classLabel = secondDict[key]
    return classLabel
#决策树
def classifyAll(inputTree, featLabels, testDataSet):
    classLabelAll = []
    for testVec in testDataSet:
        classLabelAll.append(classify(inputTree, featLabels, testVec))
    return classLabelAll
if __name__ == '__main__':
    file = pd.read_csv('data.csv')
    data = file.values[:, 3:].tolist()
    for i in [t[0:-1] for t in data]:
        for j in i:
            j = float(j)
    label = file.columns.values[3:].tolist()
    label_full = label
    train_data = data[1:200]
    train_data_full = train_data
    test_data = data[200:245]
    desicionTree = createTree(train_data, label, train_data_full, label_full)
    print('desicionTree:\n', desicionTree)
    treePlotter.createPlot(desicionTree)
    print('classifyResult:\n', classifyAll(desicionTree, label, test_data))