graphviz安装教程（2022最新版）初学者适用

1、首先在官网下载graphviz

下载网址：https://www.graphviz.org/download/

2、安装。

打开第一步已经下载好的软件。点击下一步，在安装路径选择时可将安装路径修改为 D:\graphviz
接着一直点下一步，即可安装完成。

3、配置环境变量

右键点击“我的电脑“”–>选择“属性”–>高级系统设置（滑到最下面）

–>环境变量–>系统变量中的path（双击）

–>将graphviz的安装路径下的bin文件添加进去。如果你前面安装的路径是跟我一样，直接复制这个路径即可D:\graphviz\bin

–>多次点击确定，完成环境变量配置，

4、测试

点击左下角搜索，输入“cmd”,或者 win+R键。
输入 dot -version （注意dot后面后一个空格）。
若出现dot不是内部或外部命令，则表示安装失败。

5、再次配置

接下来打开你安装路径下bin文件夹下面的config6（选择打开方式为记事本打开）

将里面内容删除，复制下面这段代码，保存即可。

import operator
import math

classDecisionTree:def__init__(self):pass# 加载数据集defloadData(self):# 天气晴(2),阴(1),雨(0);温度炎热(2),适中(1),寒冷(0);湿度高(1),正常(0)# 风速强(1),弱(0);进行活动(yes),不进行活动(no)# 创建数据集
        data =[[2,2,1,0,"yes"],[2,2,1,1,"no"],[1,2,1,0,"yes"],[0,0,0,0,"yes"],[0,0,0,1,"no"],[1,0,0,1,"yes"],[2,1,1,0,"no"],[2,0,0,0,"yes"],[0,1,0,0,"yes"],[2,1,0,1,"yes"],[1,2,0,0,"no"],[0,1,1,1,"no"],]# 分类属性
        features =["天气","温度","湿度","风速"]return data, features

    # 计算给定数据集的香农熵defShannonEnt(self, data):
        numData =len(data)# 求长度
        labelCounts ={}for feature in data:
            oneLabel = feature[-1]# 获得标签# 如果标签不在新定义的字典里创建该标签值
            labelCounts.setdefault(oneLabel,0)# 该类标签下含有数据的个数
            labelCounts[oneLabel]+=1
        shannonEnt =0.0for key in labelCounts:# 同类标签出现的概率
            prob =float(labelCounts[key])/ numData
            # 以2为底求对数
            shannonEnt -= prob * math.log2(prob)return shannonEnt

    # 划分数据集,三个参数为带划分的数据集，划分数据集的特征，特征的返回值defsplitData(self, data, axis, value):
        retData =[]for feature in data:if feature[axis]== value:# 将相同数据集特征的抽取出来
                reducedFeature = feature[:axis]
                reducedFeature.extend(feature[axis +1:])
                retData.append(reducedFeature)return retData  # 返回一个列表# 选择最好的数据集划分方式defchooseBestFeatureToSplit(self, data):
        numFeature =len(data[0])-1
        baseEntropy = self.ShannonEnt(data)
        bestInfoGain =0.0
        bestFeature =-1for i inrange(numFeature):# 获取第i个特征所有的可能取值
            featureList =[result[i]for result in data]# 从列表中创建集合，得到不重复的所有可能取值
            uniqueFeatureList =set(featureList)
            newEntropy =0.0for value in uniqueFeatureList:# 以i为数据集特征，value为返回值，划分数据集
                splitDataSet = self.splitData( data, i, value )# 数据集特征为i的所占的比例
                prob =len(splitDataSet)/float(len(data))# 计算每种数据集的信息熵
                newEntropy += prob * self.ShannonEnt(splitDataSet)
            infoGain = baseEntropy - newEntropy
            # 计算最好的信息增益，增益越大说明所占决策权越大if infoGain > bestInfoGain:
                bestInfoGain = infoGain
                bestFeature = i
        return bestFeature

    # 递归构建决策树defmajorityCnt(self, labelsList):
        labelsCount ={}for vote in labelsList:if vote notin labelsCount.keys():
                labelsCount[vote]=0
            labelsCount[vote]+=1
        sortedLabelsCount =sorted(
            labelsCount.iteritems(), key=operator.itemgetter(1), reverse=True)# 排序，True升序# 返回出现次数最多的print(sortedLabelsCount)return sortedLabelsCount[0][0]# 创建决策树defcreateTree(self, data, features):# 使用"="产生的新变量，实际上两者是一样的，避免后面del()函数对原变量值产生影响
        features =list(features)
        labelsList =[line[-1]for line in data]# 类别完全相同则停止划分if labelsList.count(labelsList[0])==len(labelsList):return labelsList[0]# 遍历完所有特征值时返回出现次数最多的iflen(data[0])==1:return self.majorityCnt(labelsList)# 选择最好的数据集划分方式
        bestFeature = self.chooseBestFeatureToSplit(data)
        bestFeatLabel = features[bestFeature]# 得到对应的标签值
        myTree ={bestFeatLabel:{}}# 清空features[bestFeat],在下一次使用时清零del(features[bestFeature])
        featureValues =[example[bestFeature]for example in data]
        uniqueFeatureValues =set(featureValues)for value in uniqueFeatureValues:
            subFeatures = features[:]# 递归调用创建决策树函数
            myTree[bestFeatLabel][value]= self.createTree(
                self.splitData(data, bestFeature, value), subFeatures
            )return myTree

    # 预测新数据特征下是否进行活动defpredict(self, tree, features, x):for key1 in tree.keys():
            secondDict = tree[key1]# key是根节点代表的特征，featIndex是取根节点特征在特征列表的索引，方便后面对输入样本逐变量判断
            featIndex = features.index(key1)# 这里每一个key值对应的是根节点特征的不同取值for key2 in secondDict.keys():# 找到输入样本在决策树中的由根节点往下走的路径if x[featIndex]== key2:# 该分支产生了一个内部节点，则在决策树中继续同样的操作查找路径iftype(secondDict[key2]).__name__ =="dict":
                        classLabel = self.predict(secondDict[key2], features, x)# 该分支产生是叶节点，直接取值就得到类别else:
                        classLabel = secondDict[key2]return classLabel

if __name__ =="__main__":
    dtree = DecisionTree()
    data, features = dtree.loadData()
    myTree = dtree.createTree(data, features)print(myTree)
    label = dtree.predict(myTree, features,[1,1,1,0])print("新数据[1,1,1,0]对应的是否要进行活动为:{}".format(label))

最后再次通过cmd测试是否安装成功。命令：dot -version （同样注意dot后有一个空格）

出现这段文字。显示dot版本和路径，恭喜你安装成功。