import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.tree import DecisionTreeClassifier

# Загрузка данных
data = pd.read_csv('titanic.csv', index_col='PassengerId')


# Функция для преобразования пола в числовое значение
def Sex_to_bool(sex):
    if sex == "male":
        return 0
    return 1


# Преобразование пола в числовое значение
data['Sex'] = data['Sex'].apply(Sex_to_bool)

# Отбор строк с непустыми значениями
# Отбор строк с непустыми значениями
data = data.loc[~data['Name'].isna()
                & ~data['Age'].isna()
                & ~data['Sex'].isna()
                & ~data['Survived'].isna()]


# Отбор нужных столбцов
features = data[['Name', 'Sex', 'Age']]

# Применение Label Encoding к столбцу 'Name'
label_encoder = LabelEncoder()
features['Name'] = label_encoder.fit_transform(features['Name'])

# Определение целевой переменной
y = data['Survived']

# Создание и обучение дерева решений
clf = DecisionTreeClassifier(random_state=241)
clf.fit(features, y)

# Получение важностей признаков
importance = clf.feature_importances_

# Печать важности каждого признака
print("Важность 'Name':", importance[0])
print("Важность 'Sex':", importance[1])
print("Важность 'Age':", importance[2])