predictedY = clf.predict(newRowY)
print("predictedY："+ str(predictedY)

会出现这样的错误的

Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.resha

现在要改变成为

predictedY = clf.predict(np.array(newRowX).reshape(1,-1))
print(predictedY)

整体代码

from sklearn.feature_extraction import DictVectorizer # 对输入的数据的是有要求的。
import csv
from sklearn import preprocessing
from sklearn import tree
import numpy as np
from six import StringIO
from IPython import embedallEectrionicsData = open(r'D:\Pratice Code\MLeaning\table1.csv','rt')  # 然后是首先是来把这个文件给读取进来，然后是在来进行相应的处理的过程的。
reader = csv.reader(allEectrionicsData)  # 是可以按照的行的方式来读取类容的,这里是按照行的方式来读取文件的内容的。
headers = next(reader) # 这样就是可以把表头给提取出来的过程的
print(headers)  # 现在是对相应的数据已经解码出来的，也就是把相应的表头给提取出来的。featurelist = []   # 其中第一个list我们来装取features
labellist = []   # 其中第二list我们来装取labelfor row in reader:labellist.append(row[len(row) - 1])  # 这里是来获取每行最后一个，这样就是来获取相应的label的过程的。取每一行最后一个值，rowDict = {}   # 这里是来获取每一行，所对应的特征的过程的。for i in range(1,len(row) - 1):rowDict[headers[i]] = row[i]  # 这里是来获得相应的关键字，和对应的值的过程的。{'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}# 这里是对应的把每一行，转换为字典，所对应的形式的。featurelist.append(rowDict)  # 是对应的每一行，所对应的字典，然后是把相应的全部的字典给放入到featurelist的过程当中的。
print(featurelist)
vec = DictVectorizer()  # 通过这个函数是能够把字典列表中的数据转化成为标签，所对应的形式的
dummyX = vec.fit_transform(featurelist).toarray()print("dummyX:" + str(dummyX))
print("labelList:"+str(labellist))lb = preprocessing.LabelBinarizer()
dummyY = lb.fit_transform(labellist)
print("dummyY:"+str(dummyY))# 这里是来使用的ID3的算法，我们就是能够来构建相应的决策树的过程的。
clf = tree.DecisionTreeClassifier(criterion='entropy')
clf = clf.fit(dummyX,dummyY)  # 通过这个的调用的，我们就是可以来构建好相应的决策树
print("clf:"+str(clf))# 然后是来往这个文件夹，里面来给写入相应的数据的过程的
with open("D:/Pratice Code/MLeaning/data/allElectronicInformationGanOri.dot",'w') as f:# 这里是来从新把树进行导入后，在来进行相应的输出的过程的。f = tree.export_graphviz(clf,feature_names = vec.get_feature_names(),out_file = f)
oneRowX = dummyX[0,:]  # 我们取第一行数据，
print("oneRowX:" + str(oneRowX))newRowX = oneRowXnewRowX[0] = 1  # 对于相应属性进行改进
newRowX[2] = 0
print("newRowX:"+str(newRowX))predictedY = clf.predict(np.array(newRowX).reshape(1,-1))
print(predictedY)

输出结果

['RID', 'age', 'income', 'student', 'credit_rating', 'Class_buys_computer']
[{'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'high', 'student': 'no', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'high', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'low', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'low', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'low', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'youth', 'income': 'medium', 'student': 'no', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'low', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'youth', 'income': 'medium', 'student': 'yes', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'medium', 'student': 'no', 'credit_rating': 'excellent'}, {'age': 'middle_aged', 'income': 'high', 'student': 'yes', 'credit_rating': 'fair'}, {'age': 'senior', 'income': 'medium', 'student': 'no', 'credit_rating': 'excellent'}]
dummyX:[[0. 0. 1. 0. 1. 1. 0. 0. 1. 0.][0. 0. 1. 1. 0. 1. 0. 0. 1. 0.][1. 0. 0. 0. 1. 1. 0. 0. 1. 0.][0. 1. 0. 0. 1. 0. 0. 1. 1. 0.][0. 1. 0. 0. 1. 0. 1. 0. 0. 1.][0. 1. 0. 1. 0. 0. 1. 0. 0. 1.][1. 0. 0. 1. 0. 0. 1. 0. 0. 1.][0. 0. 1. 0. 1. 0. 0. 1. 1. 0.][0. 0. 1. 0. 1. 0. 1. 0. 0. 1.][0. 1. 0. 0. 1. 0. 0. 1. 0. 1.][0. 0. 1. 1. 0. 0. 0. 1. 0. 1.][1. 0. 0. 1. 0. 0. 0. 1. 1. 0.][1. 0. 0. 0. 1. 1. 0. 0. 0. 1.][0. 1. 0. 1. 0. 0. 0. 1. 1. 0.]]
labelList:['no', 'no', 'yes', 'yes', 'yes', 'no', 'yes', 'no', 'yes', 'yes', 'yes', 'yes', 'yes', 'no']
dummyY:[[0][0][1][1][1][0][1][0][1][1][1][1][1][0]]
clf:DecisionTreeClassifier(criterion='entropy')
oneRowX:[0. 0. 1. 0. 1. 1. 0. 0. 1. 0.]
newRowX:[1. 0. 0. 0. 1. 1. 0. 0. 1. 0.]
[1]

这个分类树是对csv文件进行预测的过程的