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 operatorimport 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] += 1        shannonEnt = 0.0        for 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]) - 1        baseEntropy = self.ShannonEnt(data)        bestInfoGain = 0.0        bestFeature = -1        for 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 = 0.0            for 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    def majorityCnt(self, labelsList):        labelsCount = {}        for vote in labelsList:            if vote not in 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    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。