题目大概就是利用企业发票的信息分析出企业是否为异常企业，其中企业一共有3万多家，
发票数大约有400多万条信息，发票明细信息有1000多万条信息

因为之前已经采用一些分析的方法找到了321家异常企业，所以对发票表进行分析，
利用sklearn建立决策树模型，并利用训练集对其进行训练，最后对测试数据进行预测。

一、环境准备
　　　　python
　　　　sklearn
　　　　panda
二、数据准备
　　　　首先将原数据表拆分为两个表分别作为训练数据集和测试数据集
　　　　在训练数据集中增加一个字段label表示该条信息是否为问题数据，0为正常，1为有问题

　　　　

 

 

 

三、读入文件（利用panda读入文件）

　　　　将训练数据集以及测试数据集读入到程序中

#读取CSV 文件

train_data=pd.read_csv(r'.\train1.csv')

test_data=pd.read_csv(r'.\test1.csv')

　　

四、特征选择

　　对训练数据集进行特征属性的选择

# 3特征选择

features=['xf_id', 'gf_id', 'je', 'se', 'jshj', 'zfbz']#表内数据特征

train_features=train_data[features]

train_labels=train_data['label']

test_features=test_data[features]

　五、创建ID3决策树

　　利用sklearn创建决策树模型

#4 创建ID3决策树

clf=DecisionTreeClassifier(criterion='entropy')

test_features=dvec.fit_transform(test_features.to_dict(orient='record'))

clf.fit(train_features,train_labels)

　六、优化模型

　　利用k折交叉验证,统计决策树准确率,提高正确率

#k折交叉验证,统计决策树准确率,提高正确率

from sklearn.model_selection import cross_val_score

import numpy as np

print(u'cross_val_score 准确率为 %.4lf' % np.mean(cross_val_score(clf, train_features, train_labels, cv=10)))

　七、测试数据预测并存储结果

#预测测试数据
test_predict1=clf.predict(test_features)
print(test_predict1)
#存储预测结果
temp = pd.DataFrame(test_predict1)
temp.to_csv('D:\\test\\3\\3.csv')

　　最后对预测结果进行分析，发现测试数据中有25条数据，加上训练数据集中的278条数据，一共是303条记录，结果还算是比较不错的啊

 

 

 

最后的最后，整个的源代码是参考一个泰坦尼克预测生存率的代码，

这是项目的地址：cystanford/Titanic_Data: Titanic乘客生存预测 (github.com)