python导入Graphviz库-画决策树图_import graphviz

学习决策树时，发现如果要用python画决策树，python需要导入Graphviz库，看了几篇csdn，发现个别文章不是很全，会出错误，这里简单记录下完整过程。

0.下载Graphviz-2.38.msi

• graphviz-2.38 .msi
• 当然这里你去官网安装其他版本应该也是可以的，我这里没有试，这个版本是旧版本可以用建议就用这个就OK

1.安装Graphviz-2.38.msi

• 这里需要注意下更改下如图
  
  
• 安装完毕！

2.配置环境变量

• 找到如图所示路径，复制
  
• 高级系统设置- 高级-环境变量-用户变量-Path-新建-复制路径-完成（注意这里先配置的是用户变量）
  
  
• 用户变量毕！
• 系统变量-把用户变量后的路径加上\dot.exe即可
  
  
• 环境配置毕！

3.验证

• cmd输入dot -version（一定记得加空格）
  
• python环境导入Graphviz库
  
• 输入指令pip install graphviz
  
• python输入import graphviz跑一下
  整体毕！

4.跑个图看看

• 直接上代码

#导入包和库和数据
import pandas as pd
from sklearn import tree
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
wine=load_wine()
print(wine.feature_names)
print(wine.target_names)

#生成DateFrame格式
wine1=pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1)
 wine1.columns=['alcohol', 'malic_acid', 'ash', 'alcalinity_of_ash', 'magnesium', 'total_phenols', 'flavanoids', 'nonflavanoid_phenols', 'proanthocyanins', 'color_intensity', 'hue', 'od280/od315_of_diluted_wines', 'proline','target']
 wine1.head()
 
#划分数据
Xtrain,Xtest,Ytrain,Ytest=train_test_split(wine.data,wine.target,test_size=0.3)

#建立模型
clf=tree.DecisionTreeClassifier(criterion="entropy") # entropy基尼系数

#训练数据
clf=clf.fit(Xtrain,Ytrain)

#得分
score=clf.score(Xtest,Ytest)
score

#画决策图
#导入库
import graphviz       

#特征值重命名
feature_name = ["酒精","苹果酸","灰","灰的碱性","镁","总酚","类黄酮","非黄烷类酚类","花青素","颜色强度","色调","od280/od315稀释葡萄酒","脯氨酸"]

dot_data=tree.export_graphviz(clf
                                ,feature_names=feature_name
                                ,class_names=["琴酒","雪莉","贝尔摩德"]
                                ,filled=True
                                ,rounded=True
                                )
graph=graphviz.Source(dot_data)
graph
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

• 生成如图

• 建议用jupyter notebook跑一下如果生成了上图，则表示安装Graphviz完全成功！

5.总结

• 注意环境变量和系统变量都要配置
• anaconda环境中也要pip安装一下这个库
• 最后实战一下如果成功表示安装成功