最直接方式是调用sklearn.tree.export_text，传入已拟合模型和feature_names等参数，输出缩进式if-else纯文本规则。
用 export_text 快速生成可读规则
最直接的方式是调用 sklearn.tree.export_text，它把训练好的 DecisionTreeClassifier 转成缩进式 if-else 规则文本。注意：它不返回 JSON 或结构化数据，而是纯字符串，适合打印、保存或人工查阅。
关键点：
-
export_text要求传入已拟合的模型（fit过）和原始训练时用的feature_names（否则显示feature_0这类默认名） - 如果类别是字符串（如
['cat', 'dog']），需通过class_names参数显式传入，否则输出的是数字标签（0/1） - 缩进层级默认用 4 空格，可通过
spacing调整；要不要显示样本数、基尼不纯度等统计信息，由show_weights和precision控制
from sklearn.tree import export_text from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import make_classification X, y = make_classification(n_samples=100, n_features=4, n_informative=3, random_state=42) clf = DecisionTreeClassifier(max_depth=3, random_state=42).fit(X, y) r = export_text(clf, feature_names=['age', 'income', 'score', 'level'], class_names=['low', 'high']) print(r)
手动遍历树结构提取规则（控制粒度更高）
当需要自定义输出格式（比如转成 SQL WHERE 条件、JSON 规则集、或带置信度的规则），就得绕过 export_text，直接访问树的底层属性：tree_.tree_ 的 children_left、feature、threshold、value 等数组。
容易踩的坑：
- 叶子节点的
feature[i] == -2，非叶子节点才表示分裂特征索引；别拿feature[i]直接当列名下标用，先判断是否为 -2 -
threshold[i]对于类别型特征（如 one-hot 后）没有意义，只对数值型有效；若用了OneHotEncoder，得在导出前还原原始特征语义 - 递归遍历时，左右子树对应条件方向相反：左子树是
，右子树是 <code>> threshold，顺序反了规则就错
导出规则时类别不平衡导致的误判陷阱
如果训练数据中某类样本极少，DecisionTreeClassifier 可能生成一条“看似合理”但实际无泛化能力的规则，比如：if income 。这种规则在 <code>export_text 输出里不会标红警告，但 show_weights=True 会暴露支持样本数过少。
实操建议：
- 始终打开
show_weights=True，检查每条规则末尾的samples = X是否合理 - 避免直接用
max_depth=None训练后导出——深层树极易产生仅覆盖 1–2 个样本的碎片规则 - 导出前用
clf.get_n_leaves()粗略评估规则总数，超过 50 条时建议先剪枝（min_samples_split,min_samples_leaf）
导出到文件或对接下游系统要注意编码和换行
export_text 返回的是 str，不是 bytes，写入文件时若不指定 encoding，Windows 下可能因默认编码（cp1252）导致中文 feature_names 报错。
正确做法：
- 写文件务必加
encoding='utf-8'：with open('rules.txt', 'w', encoding='utf-8') as f: f.write(r) - 若要导入 Excel 或 BI 工具，别直接粘贴缩进文本——多数工具无法识别缩进逻辑；应先按行分割，再用正则提取条件部分（如匹配
|\s+([^\n]+) -> class:.*） - 换行符统一用
\n（Python 默认），避免\r\n在 Linux 环境解析异常；export_text不提供换行符选项，需自行.replace('\r\n', '\n')
真正麻烦的不是怎么导出，而是导出后没人去核对每条规则是否符合业务直觉——尤其是阈值数字和嵌套深度，机器觉得合理，人一看就懵。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
