决策树python的实现，不需要掉包。

1. 算法分析： A.     ，把数据集的最后一列变为1，2，3，并转换为csv格式。本来没有定义一个TreeNode的类，结果写起来及其复杂，在同学的建议下，建立了一个TreeNode的头文件。    class TreeNode:     dim=0     p=0     left=0     right=0     value =0     def getdim(self):         return self.dim     def getp(self):         return p     def setdim(self,a):         self.dim =a     def setLeft(self,tree):         self.left=tree     def getLeft(self):         return self.left     def setRight(self,tree):         self.right =tree     def getRight(self):         return self.right     def setValue(self,va):         self.value =va     def getValue(self):         return self.value   B.  读取csv文件，将它们存在一个dataset的list中：   def loadcsv(filename):     file  =csv.reader(open(filename,"rt"))     dataset =list(file)     for i in range(len(dataset)):         dataset[i] =[float(x) for x in dataset[i]] return dataset   C.  计算给定数据集的香农熵ENt =-p*log2p：   def Shannonent(dataset):     numEnt =len(dataset)     labelCounts ={}     shannonEnt =0     for i in range(len(dataset)):         currentlabel =dataset[i][-1]         if currentlabel not in labelCounts.keys():             labelCounts[currentlabel]=0         labelCounts[currentlabel] +=1         for key in labelCounts:         prob =float(labelCounts[key])/numEnt         shannonEnt -= prob* log(prob,2) return shannonEnt   D.  进行数据集的划分，此处借鉴了机器学习实战的离散数据划分的方法，改成了连续数据的划分，dataset为待划分的数据集，axis为要划分的特征，value为特征的返回值也就是信息增益最大的划分点，输出为以该点为划分的左半边数据和右半边数据，看了机器学习实战上，采用了extend方法：      def