设置我的决策树python 将熊猫作为pd导入 将numpy作为np导入 从sklearn导入树 从sklearn.tree导入DecisionTreeClassifier 从sklearn.model\u选择导入列车\u测试\u拆分 从matplotlib导入pyplot作为plt 导入seaborn作为sns 从sklearn.tree导入导出_graphviz 进口graphviz 导入pydotplus 输入io 从scipy导入杂项 %matplotlib内联 data=pd.read\u csv（r''C:\Users\Pwego\Desktop\spotifyclassification2\data.csv'） 列车，测试=列车，测试，拆分（数据，测试尺寸=0.15） 打印（“训练大小：{}；测试大小：{}；”。格式（len（训练），len（测试））） pos_tempo=data[data['target']==1]['tempo'] 负节奏=数据[数据['target']==0]['tempo'] pos_danceability=data[data['target']==1]['danceability'] 负可跳舞性=数据[数据['target']==0]['danceability'] 位置持续时间=数据[数据['target']==1]['duration\u ms'] 负持续时间=数据[数据['target']==0]['duration\u ms'] 位置能量=数据[数据['target']==1]['energy'] 负能量=数据[数据['target']==0]['energy'] pos_instrumentalness=data[data['target']==1]['instrumentalness'] 负仪器性=数据[数据['target']==0]['instrumentalness'] pos_key=data[data['target']==1]['key'] 负键=数据[数据['target']==0]['key'] pos_liveness=data[data['target']==1]['liveness'] 负活性=数据[数据['target']==0]['liveness'] 位置响度=数据[数据['target']==1]['loudness'] 负响度=数据[数据['target']==0]['loudness'] pos_mode=data[data['target']==1]['mode'] 负模式=数据[数据['target']==0]['mode'] 词性=数据[数据['target']==1]['speechness'] 无语=数据[数据['target']==0]['speechness'] 位置时间签名=数据[数据['target']==1]['time\u签名'] 负时间签名=数据[数据['target']==0]['time\u签名'] pos_价=数据[数据['target']==1]['valence'] 负价=数据[数据['target']==0]['valence'] 图=plt.图（图尺寸=（12,8）） plt.title（“歌曲节奏喜欢/不喜欢分布”） pos_tempo.hist（alpha=0.7，bins=30，label='positive'，color=“green”） 负节奏历史（alpha=0.7，bin=30，标签为负，颜色为红色） plt.图例（loc=“右上”） 图2=plt.图（图尺寸=（15,15）） #跳舞 ax3=图2.添加子批次（331） ax3.set_xlabel（'dancebility'） ax3.set_ylabel（'count'） ax3.设置标题（“类似于歌曲舞蹈的分布”） 位置可跳性历史（α=0.5，箱子=30） 负可跳性历史（α=0.5，箱=30） ax4=图2.添加子批次（331） ax4.set_xlabel（'duration'） ax4.set_ylabel（'count'） ax4.设置歌曲标题（“类似歌曲持续时间的发行”） pos_duration.hist（alpha=0.5，bin=30） 负持续时间历史（α=0.5，箱数=30） ax5=图2.添加子批次（332） ax5.设置标签（“能量”） ax5.set_ylabel（'count'） ax5.集_标题（“类似于歌曲的能量分布”） 位置能量历史（α=0.5，料仓=30） 负能量历史（α=0.5，箱=30） ax6=图2.添加子批次（333） ax6.set_xlabel（‘工具性’） ax6.set_ylabel（'count'） ax6.设置标题（“类似乐器的歌曲分布”） 位置仪器性历史（α=0.5，箱柜=30） 负仪器性历史（α=0.5，箱数=30） ax7=图2.添加子批次（334） ax7.set_xlabel（'键'） ax7.set_ylabel（'count'） ax7.设置标题（“类似于发行版的歌曲键”） 位置键历史（alpha=0.5，bins=30） 负键历史（alpha=0.5，bins=30） ax8=图2.添加子批次（335） ax8.set_xlabel（'liveness'） ax8.set_ylabel（'count'） ax8.集_标题（“类似歌曲活力的发行”） pos_liveness.hist（alpha=0.5，bin=30） 负活性。历史（α=0.5，箱=30） ax9=图2.添加子批次（336） ax9.设置标签（“响度”） ax9.set_ylabel（'count'） ax9.设置标题（“类似于歌曲响度的分布”） 位置响度历史（α=0.5，箱柜=30） 负响度历史（α=0.5，箱柜=30） ax10=图2.添加子批次（337） ax10.set_xlabel（'mode'） ax10.set_ylabel（'count'） ax10.设置标题（“类似歌曲模式的发行”） 位置模式历史（alpha=0.5，箱子=30） 负模式历史（alpha=0.5，bins=30） ax11=图2.添加子批次（338） ax11.set_xlabel（'speechness'） ax11.set_ylabel（'count'） ax11.设置标题（“像歌曲一样的口语分布”） pos_speechness.hist（alpha=0.5，bin=30） 无语性。历史（阿尔法=0.5，宾斯=30） ax12=图2.添加子批次（339） ax12.set_xlabel（'time_signature'） ax12.set_ylabel（'count'） ax12.设置标题（“歌曲时间签名超过发行”） pos\u time\u signature.hist（alpha=0.5，bin=30） 负时间签名.hist（alpha=0.5，bin=30） ax13=图2.添加子批次（339） ax13.set_xlabel（'价'） ax13.set_ylabel（'count'） ax13.设置标题（“歌曲配价高于发行价”） pos_价历史（α=0.5，料仓=30） 负价历史（α=0.5，区间=30） c=决策树分类器（最小样本分割=100） 特征=[“可舞动性”、“响度”、“配价”、“能量”、“乐器性”、“声学性”、“k”] X_列车=列车[特征] y_train=列车['target'] X_测试=测试[特征] y_测试=测试[“目标”] def显示_树（树、特征、路径）： f=io.StringIO（） 导出图形（树，输出文件=f，要素名称=features） pydotplus.graph_from_dot_data（f.getvalue（））.write_png（path） img=scipy.misc.inread（路径） plt.rcParams[“figure.figsize”]=（20,20） 项目imgshow（img） 显示_树（dt，特征，'tree1.png'） --------------------------------------------------------------------------- AttributeError回溯（最近一次呼叫上次） 在（） ---->1显示_树（dt，特征，'tree1.png'） 在显示树中（树、要素、路径） 3导出图形（树，输出文件=f，特征名称=features） 4 pydotplus.graph_from_dot_data（f.getvalue（））.write_png（path） ---->5 img=scipy.misc.inread（路径） 6 plt.rcParams[“figure.figsize”]=（20,20） 7 plt.imgshow（img） AttributeError:模块“scipy.misc”没有属性“inread”

所以我尝试为Spotify数据集创建这个决策树，并尝试了多种方法来安装这些库

我经常犯这样的错误有人能帮我吗

我正在使用这个python教程

如果有人有更多的机器学习资源，请发送给我

我认为这是一个简单的问题

import pandas as pd
import numpy as np

from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

from matplotlib import pyplot as plt
import seaborn as sns

from sklearn.tree import export_graphviz

import graphviz
import pydotplus
import io
from scipy import misc

%matplotlib inline

data = pd.read_csv(r'''C:\Users\Pwego\Desktop\spotifyclassification2\data.csv''')

train, test = train_test_split(data, test_size = 0.15)

print("Training size: {}; Test size: {};".format(len(train), len(test)))

pos_tempo = data[data['target'] == 1]['tempo']
neg_tempo = data[data['target'] == 0]['tempo']

pos_danceability = data[data['target'] == 1]['danceability']
neg_danceability = data[data['target'] == 0]['danceability']

pos_duration = data[data['target'] == 1]['duration_ms']
neg_duration = data[data['target'] == 0]['duration_ms']

pos_energy = data[data['target'] == 1]['energy']
neg_energy = data[data['target'] == 0]['energy']

pos_instrumentalness = data[data['target'] == 1]['instrumentalness']
neg_instrumentalness = data[data['target'] == 0]['instrumentalness']

pos_key = data[data['target'] == 1]['key']
neg_key = data[data['target'] == 0]['key']

pos_liveness = data[data['target'] == 1]['liveness']
neg_liveness = data[data['target'] == 0]['liveness']

pos_loudness = data[data['target'] == 1]['loudness']
neg_loudness = data[data['target'] == 0]['loudness']

pos_mode = data[data['target'] == 1]['mode']
neg_mode = data[data['target'] == 0]['mode']

pos_speechiness = data[data['target'] == 1]['speechiness']
neg_speechiness = data[data['target'] == 0]['speechiness']

pos_time_signature = data[data['target'] == 1]['time_signature']
neg_time_signature = data[data['target'] == 0]['time_signature']

pos_valence = data[data['target'] == 1]['valence']
neg_valence = data[data['target'] == 0]['valence']








fig = plt.figure(figsize =(12, 8))
plt.title("Song Tempo Like / Dislike Distribution")
pos_tempo.hist(alpha = 0.7, bins = 30, label='positive', color ="green")
neg_tempo.hist(alpha = 0.7, bins = 30, label='negative', color ='red')
plt.legend(loc = "upper right")

fig2 = plt.figure(figsize=(15,15))

#Danceabiliy
ax3 = fig2.add_subplot(331)
ax3.set_xlabel('dancebility')
ax3.set_ylabel('count')
ax3.set_title("Song Dancebility Like Distribution")
pos_danceability.hist(alpha=0.5, bins=30)
neg_danceability.hist(alpha=0.5, bins=30)

ax4 = fig2.add_subplot(331)
ax4.set_xlabel('duration')
ax4.set_ylabel('count')
ax4.set_title("Song Duration Like Distribution")
pos_duration.hist(alpha=0.5, bins=30)
neg_duration.hist(alpha=0.5, bins=30)

ax5 = fig2.add_subplot(332)
ax5.set_xlabel('energy')
ax5.set_ylabel('count')
ax5.set_title("Song Energy Like Distribution")
pos_energy.hist(alpha=0.5, bins=30)
neg_energy.hist(alpha=0.5, bins=30)

ax6 = fig2.add_subplot(333)
ax6.set_xlabel('instrumentalness')
ax6.set_ylabel('count')
ax6.set_title("Song Instrumentalness Like Distribution")
pos_instrumentalness.hist(alpha=0.5, bins=30)
neg_instrumentalness.hist(alpha=0.5, bins=30)

ax7 = fig2.add_subplot(334)
ax7.set_xlabel('key')
ax7.set_ylabel('count')
ax7.set_title("Song Keys Like Distribution")
pos_key.hist(alpha=0.5, bins=30)
neg_key.hist(alpha=0.5, bins=30)

ax8= fig2.add_subplot(335)
ax8.set_xlabel('liveness')
ax8.set_ylabel('count')
ax8.set_title("Song Liveness Like Distribution")
pos_liveness.hist(alpha=0.5, bins=30)
neg_liveness.hist(alpha=0.5, bins=30)

ax9 = fig2.add_subplot(336)
ax9.set_xlabel('loudness')
ax9.set_ylabel('count')
ax9.set_title("Song Loudness Like Distribution")
pos_loudness.hist(alpha=0.5, bins=30)
neg_loudness.hist(alpha=0.5, bins=30)

ax10 = fig2.add_subplot(337)
ax10.set_xlabel('mode')
ax10.set_ylabel('count')
ax10.set_title("Song Mode Like Distribution")
pos_mode.hist(alpha=0.5, bins=30)
neg_mode.hist(alpha=0.5, bins=30)

ax11 = fig2.add_subplot(338)
ax11.set_xlabel('speechiness')
ax11.set_ylabel('count')
ax11.set_title("Song Speechiness Like Distribution")
pos_speechiness.hist(alpha=0.5, bins=30)
neg_speechiness.hist(alpha=0.5, bins=30)

ax12 = fig2.add_subplot(339)
ax12.set_xlabel('time_signature')
ax12.set_ylabel('count')
ax12.set_title("Song Time Signature over Distribution")
pos_time_signature.hist(alpha=0.5, bins=30)
neg_time_signature.hist(alpha=0.5, bins=30)

ax13 = fig2.add_subplot(339)
ax13.set_xlabel('valence')
ax13.set_ylabel('count')
ax13.set_title("Song Valence over Distribution")
pos_valence.hist(alpha=0.5, bins=30)
neg_valence.hist(alpha=0.5, bins=30)

c = DecisionTreeClassifier(min_samples_split=100)

features = ["danceability","loudness","valence","energy","instrumentalness","acousticness","k"]

X_train = train[features]
y_train = train['target']

X_test = test[features]
y_test = test['target']

def show_tree(tree, features, path):
    f = io.StringIO()
    export_graphviz(tree, out_file=f, feature_names=features)
    pydotplus.graph_from_dot_data(f.getvalue()).write_png(path)
    img = scipy.misc.inread(path)
    plt.rcParams["figure.figsize"] = (20, 20)
    plt.imgshow(img)

show_tree(dt, features, 'tree1.png')

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-30-72a100e0eeec> in <module>()
----> 1 show_tree(dt, features, 'tree1.png')

<ipython-input-21-9c398f00bf98> in show_tree(tree, features, path)
      3     export_graphviz(tree, out_file=f, feature_names=features)
      4     pydotplus.graph_from_dot_data(f.getvalue()).write_png(path)
----> 5     img = scipy.misc.inread(path)
      6     plt.rcParams["figure.figsize"] = (20, 20)
      7     plt.imgshow(img)

AttributeError: module 'scipy.misc' has no attribute 'inread'