export_text仅支持单棵决策树，需从集成模型中提取：RandomForestClassifier用estimators_[i]，GradientBoostingClassifier用estimators_[i,0]；XGB/LGBM需用原生方法；务必传入feature_names和class_names参数。
用 export_text 提取单棵树的规则，必须传入训练好的 DecisionTreeClassifier 或 DecisionTreeRegressor
很多人直接对 RandomForestClassifier 或 GradientBoostingClassifier 调用 export_text，结果报错 AttributeError: 'RandomForestClassifier' object has no attribute 'tree_' 。这是因为 export_text 只认单棵决策树对象，不支持集成模型。
正确做法是先从集成模型中取出某棵树，再传给 export_text：
-
RandomForestClassifier：用estimators_[i]获取第i棵树（i从 0 开始） -
GradientBoostingClassifier：用estimators_[i, 0]获取第i轮的树（二分类时第二维固定为 0） -
XGBClassifier或LGBMClassifier不兼容export_text，需换用各自原生方法（如xgb.to_graphviz）
export_text 的关键参数：别忽略 feature_names 和 class_names
默认输出全是 X[0] 这类索引式条件，根本看不懂。必须显式传入 <code>feature_names（列表）和 class_names（分类任务才需要），否则可读性极差。
示例：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
from sklearn.tree import export_text
tree = rf.estimators_[0] # 取第一棵树
r = export_text(tree,
feature_names=['age', 'income', 'has_job'],
class_names=['no', 'yes'],
decimals=1,
max_depth=3)
print(r)
-
decimals控制阈值小数位数，默认 2，设为 1 更简洁 -
max_depth限制打印深度，避免过长；但设太小会截断路径，漏掉叶子节点 -
sparsity设为True可跳过值为 0 的特征判断（仅限稀疏数据）
输出文本里 “|——” 缩进不是装饰，它严格对应树结构层级
每一级缩进代表一次分裂，缩进越多，路径越深。但注意：export_text 默认用空格缩进（非 tab），且每层固定 2 个空格 —— 这意味着你不能靠缩进空格数反推深度，得看前面的 |—— 符号数量。
常见误读：
- 把
|—— X[2] 当成根节点 → 实际它是第一层分裂，根节点不显示 - 看到连续两行相同缩进就认为是兄弟节点 → 必须结合上下文的
|竖线连贯性判断，中间一旦断开（比如出现\或空行），结构就变了 - 叶子节点前的
|—— class: yes中的class:是固定前缀，不是变量名
想导出为 if-else 代码？export_text 不行，得自己解析或换工具
export_text 输出的是带缩进的纯文本，不是可执行代码。想生成 Python 的 if-else 规则，有两条路：
- 手动解析文本：按行切分，统计
|——前空格数算层级，逐行拼接条件，容易出错，尤其遇到剪枝后不完整路径 - 用
tree_.tree_的底层属性：访问tree.tree_.children_left、tree.tree_.threshold等数组，遍历构建逻辑，控制力强但代码量大 - 更省事的做法：用
sklearn.tree.plot_tree配合fig.savefig()出图，或用dtreeviz库直接生成带 if-else 的 SVG
真正要嵌入业务系统的规则提取，别卡在 export_text 上——它的定位就是快速人工查看，不是规则引擎输入源。
