grapher安装教程（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 math class 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 classLabel if __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             。