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 mathclass DecisionTree:def __init__(self):pass# 加载数据集def loadData(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def ShannonEnt(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] += 1shannonEnt = 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def splitData(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def chooseBestFeatureToSplit(self, data):numFeature = len(data[0]) - 1baseEntropy = self.ShannonEnt(data)bestInfoGain = 0.0bestFeature = -1for i in range(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 = infoGainbestFeature = ireturn bestFeature# 递归构建决策树def majorityCnt(self, labelsList):labelsCount = {}for vote in labelsList:if vote not in labelsCount.keys():labelsCount[vote] = 0labelsCount[vote] += 1sortedLabelsCount = 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def createTree(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if len(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def predict(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if type(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 classLabelif __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。