import?numpy?as?np	
import?math
from?sklearn.datasets?import?load_iris

#找出list中匹配字符的最大index
def?maxIndex（numnumList）:
????max_index?=?0
????for?i?in?range（len（numList））:
????????if（num==numList[i]）:
????????????max_index?=?i
????return?max_index
#找出片段序列中的最大值和最小值
def?maxAndMinValue（numberListindexList）:
????max_value?=?numberList[indexList[0]]
????min_value?=?numberList[indexList[0]]
????for?i?in?indexList:
????????if（numberList[i]>max_value）:
????????????max_value?=?numberList[i]
????????if（numberList[i]????????????min_value?=?numberList[i]
????return?max_valuemin_value

#當對數輸入為0是，輸出為0
def?log（mn）:
????if（m==0）:
????????return?0
????else:
????????return?math.log（mn）
#熵的計算m為某種結果出現的次數，n為所有結果出現的次數
def?entropy（nm_0m_1m_2）:
	#結果出現概率?p?=?m/n
????p_0?=?float（m_0/n）?
????p_1?=?float（m_1/n）
????p_2?=?float（m_2/n）
????e?=?-?（p_0?*?log（p_02）?+?p_1?*?log（p_12）?+?p_2?*?log（p_22））
????return?e

#計算出某一類中最小的熵，從而得到最大的information?gain
def?computing_min_entropy（label_nameinclude_indexstep_width）:
????order?=?labels.index（label_name）
????classed_attributes?=?attributes[:order]
????min_entropy?=?1000?#存儲最小的熵
????max_valuemin_value?=?maxAndMinValue（classed_attributesinclude_index）
????ar_1?=?np.arange（min_value+0.01max_value-0.01step_width）
????#存儲分成兩類的索引值
????branch_1_index?=?[];
????branch_2_index?=?[];
????#劃分的臨界值
????threshold?=?0
????#分成兩類的索引值
????branch1?=?[]
????branch2?=?[]
????matrix?=?[[0000][0000]]?
????for?i?in?ar_1:
????????#存儲分類后各項指標
????????computing_matrix?=?[[0000][0000]]?
????????
????????#存儲分成兩類的索引值
????????branch_1_index?=?[];
????????branch_2_index?=?[];
????????for?j?in?include_index:
????????????if（classed_attributes[j]<=i）:
????????????????branch_1_index.append（j）
????????????????computing_matrix[0][0]?+=1
????????????????if（target[j]==0）:
????????????????	computing_matrix[0][1]?+=1
????????????????elif（target[j]==1）:
????????????????	computing_matrix[0][2]?+=1
????????????????else:
????????????????	computing_matrix[0][3]?+=1
????????????else:
????????????????branch_2_index.append（j）
????????????????computing_matrix[1][0]?+=1
????????????????if（target[j]==0）:
????????????????	computing_matrix[1][1]?+=1
????????????????elif（target[j]==1）:
????????????????	computing_matrix[1][2]?+=1
????????????????else:
????????????????	computing_matrix[1][3]?+=1
????????#屬于第一類與第二類的個數
????????class1_num?=?computing_matrix[0][0]
????????class2_num?=?computing_matrix[1][0]

????????e1?=?class1_num?*?entropy（computing_matrix[