如何用Excel计算数据集的Gini系数？含决策树test size=50计算需求

一、Excel手动计算数据集Gini系数 #

Gini不纯度的核心公式为：G = 1 - Σ(pᵢ²)，其中pᵢ是对应类别在目标数据集/分组中的占比。针对你的5个索引（0-4）、每组30条数据的结构，操作步骤如下：

• 分组统计类别占比：对每个索引（如0）筛选对应30条数据，用COUNTIF函数统计各类别数量，比如类别X的数量：=COUNTIF(筛选后类别区域, "X")，再除以30得到pₓ。
• 计算单组Gini：对每个索引组，计算所有类别pᵢ的平方和，再用1减去该值，即得到该组的Gini系数。若为二元分类，公式简化为1 - (p₁² + p₂²)。
• 整体数据集Gini（可选）：统计300条数据中各类别总数量，计算总占比后代入核心公式即可。

二、获取test size=50的决策树Gini系数 #

1. 节点层面Gini不纯度 #

决策树的每个节点会直接标注Gini值（即节点不纯度），查看你提供的决策树截图，直接读取对应节点的Gini标注即可。

2. 测试集评估Gini系数（分类性能指标） #

若需计算测试集（50条）的Gini评估指标（与节点不纯度不同，公式为G = 2*AUC - 1），可通过Python快速实现，示例代码：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

# 读取数据集（替换为你的Excel路径）
df = pd.read_excel("your_dataset.xlsx")
X = df.drop("类别列名", axis=1)  # 替换为你的类别列名称
y = df["类别列名"]

# 拆分出size=50的测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=50, random_state=42)

# 训练决策树并计算Gini
dt_clf = DecisionTreeClassifier()
dt_clf.fit(X_train, y_train)
y_proba = dt_clf.predict_proba(X_test)[:, 1]  # 取正类预测概率

auc = roc_auc_score(y_test, y_proba)
gini_score = 2 * auc - 1
print(f"测试集Gini系数：{gini_score:.4f}")

内容的提问来源于stack exchange，提问作者fera fani