In[13]：foriinrange（0，8123）：
iflabel[i]=='e'：
label[i]=1
else：
label[i]=0
接下来就可以设置Y数据了。
In[14]：Y=label
In[15]：Y=（Y）
接下来处理训练样本。
In[16]：data=（['样本编号'，'标记']，axis=1）
#训练样本需要将两列去掉（样本编号和标记）
In[17]：
Out[17]：（8124，22）
#训练样本的行列数量
In[18]：newdata=（data）
In[19]：newdata=newdata[0：-1，：]
#去掉最后一行
In[20]：
Out[20]：（8123，22）
#新的数据
特征属性的值同样是用字符表示的，而Python的决策树需要对数值进行处理。所以接下来使用下面的编码将字符直接转化成ASCII编码的整数。表3-6中的最后一列是通常的字符，前两列分别是这个字符的十进制编码和十六进制编码。
表3-6
使用下面的代码将字符转化成它对应的整数。如g转化为103，O转化为79等。这是一个循环程序，其中的ord（ ）函数负责转化功能。
In[21]：foriinrange（0，8123）：
forjinrange（0，22）：
newdata[i，j]=ord（newdata[i，j]）
新的训练数据为
In[22]：X=newdata
接下来就可以构造决策树并用于分类了，输出的是描述所生成的决策树的参数。
In[23]：clf=（）
In[24]：（X，Y）
Out[24]：
DecisionTreeClassifier（class_weight=None，criterion='gini'，
max_depth=None，
max_features=None，max_leaf_nodes=None，
min_impurity_split=1e-07，min_samples_leaf=1，
min_samples_split=2，min_weight_fraction_leaf=0.0，
presort=False，random_state=None，splitter='best'）
使用决策树用于新数据的分类，可以看到对下列4个新的蘑菇数据进行分类后，输出结果表明其中有3种是可食用的，1种是有毒的。
In[25]：test=（[[…]，[…]，[…]，[…]]）
