dankec

from math import log


def unique_counts(rows):
    """Креирај броење на можни резултати (последната колона
    во секоја редица е класата)

    :param rows: dataset
    :type rows: list
    :return: dictionary of possible classes as keys and count
             as values
    :rtype: dict
    """
    results = {}
    for row in rows:
        # Клацата е последната колона
        r = row[len(row) - 1]
        if r not in results:
            results[r] = 0
        results[r] += 1
    return results


def gini_impurity(rows):
    """Probability that a randomly placed item will
    be in the wrong category

    :param rows: dataset
    :type rows: list
    :return: Gini impurity
    :rtype: float
    """
    total = len(rows)
    counts = unique_counts(rows)
    imp = 0
    for k1 in counts:
        p1 = float(counts[k1]) / total
        for k2 in counts:
            if k1 == k2:
                continue
            p2 = float(counts[k2]) / total
            imp += p1 * p2
    return imp


def entropy(rows):
    """Ентропијата е сума од p(x)log(p(x)) за сите
    можни резултати

    :param rows: податочно множество
    :type rows: list
    :return: вредност за ентропијата
    :rtype: float
    """
    log2 = lambda x: log(x) / log(2)
    results = unique_counts(rows)
    # Пресметка на ентропијата
    ent = 0.0
    for r in results.keys():
        p = float(results[r]) / len(rows)
        ent = ent - p * log2(p)
    return ent


class DecisionNode:
    def __init__(self, col=-1, value=None, results=None, tb=None, fb=None):
        """
        :param col: индексот на колоната (атрибутот) од тренинг множеството
                    која се претставува со оваа инстанца т.е. со овој јазол
        :type col: int
        :param value: вредноста на јазолот според кој се дели дрвото
        :param results: резултати за тековната гранка, вредност (различна
                        од None) само кај јазлите-листови во кои се донесува
                        одлуката.
        :type results: dict
        :param tb: гранка која се дели од тековниот јазол кога вредноста е
                   еднаква на value
        :type tb: DecisionNode
        :param fb: гранка која се дели од тековниот јазол кога вредноста е
                   различна од value
        :type fb: DecisionNode
        """
        self.col = col
        self.value = value
        self.results = results
        self.tb = tb
        self.fb = fb


def compare_numerical(row, column, value):
    """Споредба на вредноста од редицата на посакуваната колона со
    зададена нумеричка вредност

    :param row: дадена редица во податочното множество
    :type row: list
    :param column: индекс на колоната (атрибутот) од тренирачкото множество
    :type column: int
    :param value: вредност на јазелот во согласност со кој се прави
                  поделбата во дрвото
    :type value: int or float
    :return: True ако редицата >= value, инаку False
    :rtype: bool
    """
    return row[column] >= value


def compare_nominal(row, column, value):
    """Споредба на вредноста од редицата на посакуваната колона со
    зададена номинална вредност

    :param row: дадена редица во податочното множество
    :type row: list
    :param column: индекс на колоната (атрибутот) од тренирачкото множество
    :type column: int
    :param value: вредност на јазелот во согласност со кој се прави
                  поделбата во дрвото
    :type value: str
    :return: True ако редицата == value, инаку False
    :rtype: bool
    """
    return row[column] == value


def divide_set(rows, column, value):
    """Поделба на множеството според одредена колона. Може да се справи
    со нумерички или номинални вредности.

    :param rows: тренирачко множество
    :type rows: list(list)
    :param column: индекс на колоната (атрибутот) од тренирачкото множество
    :type column: int
    :param value: вредност на јазелот во зависност со кој се прави поделбата
                  во дрвото за конкретната гранка
    :type value: int or float or str
    :return: поделени подмножества
    :rtype: list, list
    """
    # Направи функција која ни кажува дали редицата е во
    # првата група (True) или втората група (False)
    if isinstance(value, int) or isinstance(value, float):
        # ако вредноста за споредба е од тип int или float
        split_function = compare_numerical
    else:
        # ако вредноста за споредба е од друг тип (string)
        split_function = compare_nominal

    # Подели ги редиците во две подмножества и врати ги
    # за секој ред за кој split_function враќа True
    set1 = [row for row in rows if
            split_function(row, column, value)]
    # set1 = []
    # for row in rows:
    #     if not split_function(row, column, value):
    #         set1.append(row)
    # за секој ред за кој split_function враќа False
    set2 = [row for row in rows if
            not split_function(row, column, value)]
    return set1, set2


def build_tree(rows, scoref=entropy):
    """Градење на дрво на одлука.

    :param rows: тренирачко множество
    :type rows: list(list)
    :param scoref: функција за одбирање на најдобар атрибут во даден чекор
    :type scoref: function
    :return: коренот на изграденото дрво на одлука
    :rtype: DecisionNode object
    """
    if len(rows) == 0:
        return DecisionNode()
    current_score = scoref(rows)

    # променливи со кои следиме кој критериум е најдобар
    best_gain = 0.0
    best_criteria = None
    best_sets = None

    column_count = len(rows[0]) - 1
    for col in range(0, column_count):
        # за секоја колона (col се движи во интервалот од 0 до
        # column_count - 1)
        # Следниов циклус е за генерирање на речник од различни
        # вредности во оваа колона
        column_values = {}
        for row in rows:
            column_values[row[col]] = 1
        # за секоја редица се зема вредноста во оваа колона и се
        # поставува како клуч во column_values
        for value in column_values.keys():
            (set1, set2) = divide_set(rows, col, value)

            # Информациона добивка
            p = float(len(set1)) / len(rows)
            gain = current_score - p * scoref(set1) - (1 - p) * scoref(set2)
            if gain > best_gain and len(set1) > 0 and len(set2) > 0:
                best_gain = gain
                best_criteria = (col, value)
                best_sets = (set1, set2)

    # Креирај ги подгранките
    if best_gain > 0:
        true_branch = build_tree(best_sets[0], scoref)
        false_branch = build_tree(best_sets[1], scoref)
        return DecisionNode(col=best_criteria[0], value=best_criteria[1],
                            tb=true_branch, fb=false_branch)
    else:
        return DecisionNode(results=unique_counts(rows))


def print_tree(tree, indent=''):
    """Принтање на дрво на одлука

    :param tree: коренот на дрвото на одлучување
    :type tree: DecisionNode object
    :param indent:
    :return: None
    """
    # Дали е ова лист јазел?
    if tree.results:
        print(str(tree.results))
    else:
        # Се печати условот
        print(str(tree.col) + ':' + str(tree.value) + '? ')
        # Се печатат True гранките, па False гранките
        print(indent + 'T->', end='')
        print_tree(tree.tb, indent + '  ')
        print(indent + 'F->', end='')
        print_tree(tree.fb, indent + '  ')


def classify(observation, tree):
    """Класификација на нов податочен примерок со изградено дрво на одлука

    :param observation: еден ред од податочното множество за предвидување
    :type observation: list
    :param tree: коренот на дрвото на одлучување
    :type tree: DecisionNode object
    :return: речник со класите како клуч и бројот на појавување во листот на дрвото
    за класификација како вредност во речникот
    :rtype: dict
    """
    if tree.results:
        return tree.results
    else:
        value = observation[tree.col]
        if isinstance(value, int) or isinstance(value, float):
            compare = compare_numerical
        else:
            compare = compare_nominal

        if compare(observation, tree.col, tree.value):
            branch = tree.tb
        else:
            branch = tree.fb

        return classify(observation, branch)

data = [[180.0, 23.6, 25.2, 27.9, 25.4, 14.0, 'Roach'],
        [12.2, 11.5, 12.2, 13.4, 15.6, 10.4, 'Smelt'],
        [135.0, 20.0, 22.0, 23.5, 25.0, 15.0, 'Perch'],
        [1600.0, 56.0, 60.0, 64.0, 15.0, 9.6, 'Pike'],
        [120.0, 20.0, 22.0, 23.5, 26.0, 14.5, 'Perch'],
        [273.0, 23.0, 25.0, 28.0, 39.6, 14.8, 'Silver Bream'],
        [320.0, 27.8, 30.0, 31.6, 24.1, 15.1, 'Perch'],
        [160.0, 21.1, 22.5, 25.0, 25.6, 15.2, 'Roach'],
        [700.0, 30.4, 33.0, 38.3, 38.8, 13.8, 'Bream'],
        [500.0, 29.5, 32.0, 37.3, 37.3, 13.6, 'Bream'],
        [290.0, 24.0, 26.3, 31.2, 40.0, 13.8, 'Bream'],
        [650.0, 31.0, 33.5, 38.7, 37.4, 14.8, 'Bream'],
        [500.0, 26.8, 29.7, 34.5, 41.1, 15.3, 'Bream'],
        [260.0, 25.4, 27.5, 28.9, 24.8, 15.0, 'Perch'],
        [80.0, 17.2, 19.0, 20.2, 27.9, 15.1, 'Perch'],
        [850.0, 32.8, 36.0, 41.6, 40.6, 14.9, 'Bream'],
        [345.0, 36.0, 38.5, 41.0, 15.6, 9.7, 'Pike'],
        [567.0, 43.2, 46.0, 48.7, 16.0, 10.0, 'Pike'],
        [55.0, 13.5, 14.7, 16.5, 41.5, 14.1, 'Silver Bream'],
        [78.0, 16.8, 18.7, 19.4, 26.8, 16.1, 'Perch'],
        [950.0, 38.0, 41.0, 46.5, 37.9, 13.7, 'Bream'],
        [306.0, 25.6, 28.0, 30.8, 28.5, 15.2, 'Whitewish'],
        [6.7, 9.3, 9.8, 10.8, 16.1, 9.7, 'Smelt'],
        [714.0, 32.7, 36.0, 41.5, 39.8, 14.1, 'Bream'],
        [197.0, 23.5, 25.6, 27.0, 24.3, 15.7, 'Perch'],
        [1000.0, 41.1, 44.0, 46.6, 26.8, 16.3, 'Perch'],
        [685.0, 34.0, 36.5, 39.0, 27.9, 17.6, 'Perch'],
        [169.0, 22.0, 24.0, 27.2, 27.7, 14.1, 'Roach'],
        [125.0, 19.0, 21.0, 22.5, 25.3, 16.3, 'Perch'],
        [1000.0, 33.5, 37.0, 42.6, 44.5, 15.5, 'Bream'],
        [900.0, 36.5, 39.0, 41.4, 26.9, 18.1, 'Perch'],
        [19.7, 13.2, 14.3, 15.2, 18.9, 13.6, 'Smelt'],
        [150.0, 20.4, 22.0, 24.7, 23.5, 15.2, 'Roach'],
        [120.0, 17.5, 19.0, 21.3, 39.4, 13.7, 'Silver Bream'],
        [140.0, 19.0, 20.7, 23.2, 36.8, 14.2, 'Silver Bream'],
        [290.0, 24.0, 26.0, 29.2, 30.4, 15.4, 'Roach'],
        [725.0, 31.8, 35.0, 40.9, 40.0, 14.8, 'Bream'],
        [1000.0, 40.2, 43.5, 46.0, 27.4, 17.7, 'Perch'],
        [188.0, 22.6, 24.6, 26.2, 25.7, 15.9, 'Perch'],
        [242.0, 23.2, 25.4, 30.0, 38.4, 13.4, 'Bream'],
        [475.0, 28.4, 31.0, 36.2, 39.4, 14.1, 'Bream'],
        [700.0, 30.4, 33.0, 38.5, 38.8, 13.5, 'Bream'],
        [120.0, 18.6, 20.0, 22.2, 28.0, 16.1, 'Roach'],
        [820.0, 36.6, 39.0, 41.3, 30.1, 17.8, 'Perch'],
        [540.0, 28.5, 31.0, 34.0, 31.6, 19.3, 'Whitewish'],
        [150.0, 20.5, 22.5, 24.0, 28.3, 15.1, 'Perch'],
        [161.0, 22.0, 23.4, 26.7, 25.9, 13.6, 'Roach'],
        [60.0, 14.3, 15.5, 17.4, 37.8, 13.3, 'Silver Bream'],
        [840.0, 32.5, 35.0, 37.3, 30.8, 20.9, 'Perch'],
        [300.0, 24.0, 26.0, 29.0, 39.2, 14.6, 'Silver Bream'],
        [300.0, 25.2, 27.3, 28.7, 29.0, 17.9, 'Perch'],
        [180.0, 23.0, 25.0, 26.5, 24.3, 13.9, 'Perch'],
        [85.0, 18.2, 20.0, 21.0, 24.2, 13.2, 'Perch'],
        [130.0, 20.5, 22.5, 24.0, 24.4, 15.1, 'Perch'],
        [900.0, 37.0, 40.0, 42.5, 27.6, 17.0, 'Perch'],
        [9.9, 11.3, 11.8, 13.1, 16.9, 8.9, 'Smelt'],
        [620.0, 31.5, 34.5, 39.7, 39.1, 13.3, 'Bream'],
        [720.0, 32.0, 35.0, 40.6, 40.3, 15.0, 'Bream'],
        [270.0, 23.6, 26.0, 28.7, 29.2, 14.8, 'Whitewish'],
        [40.0, 13.8, 15.0, 16.0, 23.9, 15.2, 'Perch'],
        [5.9, 7.5, 8.4, 8.8, 24.0, 16.0, 'Perch'],
        [115.0, 19.0, 21.0, 22.5, 26.3, 14.7, 'Perch'],
        [110.0, 20.0, 22.0, 23.5, 23.5, 17.0, 'Perch'],
        [300.0, 26.9, 28.7, 30.1, 25.2, 15.4, 'Perch'],
        [363.0, 26.3, 29.0, 33.5, 38.0, 13.3, 'Bream'],
        [690.0, 34.6, 37.0, 39.3, 26.9, 16.2, 'Perch'],
        [820.0, 37.1, 40.0, 42.5, 26.2, 15.6, 'Perch'],
        [19.9, 13.8, 15.0, 16.2, 18.1, 11.6, 'Smelt'],
        [40.0, 12.9, 14.1, 16.2, 25.6, 14.0, 'Roach'],
        [390.0, 27.6, 30.0, 35.0, 36.2, 13.4, 'Bream'],
        [1250.0, 52.0, 56.0, 59.7, 17.9, 11.7, 'Pike'],
        [87.0, 18.2, 19.8, 22.2, 25.3, 14.3, 'Roach'],
        [9.8, 10.7, 11.2, 12.4, 16.8, 10.3, 'Smelt'],
        [13.4, 11.7, 12.4, 13.5, 18.0, 9.4, 'Smelt'],
        [975.0, 37.4, 41.0, 45.9, 40.6, 14.7, 'Bream'],
        [1100.0, 39.0, 42.0, 44.6, 28.7, 15.4, 'Perch'],
        [130.0, 20.0, 22.0, 23.5, 26.0, 15.0, 'Perch'],
        [450.0, 27.6, 30.0, 35.1, 39.9, 13.8, 'Bream'],
        [200.0, 30.0, 32.3, 34.8, 16.0, 9.7, 'Pike'],
        [340.0, 23.9, 26.5, 31.1, 39.8, 15.1, 'Bream'],
        [700.0, 34.0, 36.0, 38.3, 27.7, 17.6, 'Perch'],
        [170.0, 21.5, 23.5, 25.0, 25.1, 14.9, 'Perch'],
        [500.0, 29.1, 31.5, 36.4, 37.8, 12.0, 'Bream'],
        [150.0, 18.4, 20.0, 22.4, 39.7, 14.7, 'Silver Bream'],
        [145.0, 20.7, 22.7, 24.2, 24.6, 15.0, 'Perch'],
        [85.0, 17.8, 19.6, 20.8, 24.7, 14.6, 'Perch'],
        [600.0, 29.4, 32.0, 37.2, 40.2, 13.9, 'Bream'],
        [300.0, 34.8, 37.3, 39.8, 15.8, 10.1, 'Pike'],
        [456.0, 40.0, 42.5, 45.5, 16.0, 9.5, 'Pike'],
        [540.0, 40.1, 43.0, 45.8, 17.0, 11.2, 'Pike'],
        [12.2, 12.1, 13.0, 13.8, 16.5, 9.1, 'Smelt'],
        [100.0, 16.2, 18.0, 19.2, 27.2, 17.3, 'Perch'],
        [300.0, 32.7, 35.0, 38.8, 15.3, 11.3, 'Pike'],
        [700.0, 31.9, 35.0, 40.5, 40.1, 13.8, 'Bream'],
        [610.0, 30.9, 33.5, 38.6, 40.5, 13.3, 'Bream'],
        [700.0, 34.5, 37.0, 39.4, 27.5, 15.9, 'Perch'],
        [70.0, 15.7, 17.4, 18.5, 24.8, 15.9, 'Perch'],
        [955.0, 35.0, 38.5, 44.0, 41.1, 14.3, 'Bream'],
        [514.0, 30.5, 32.8, 34.0, 29.5, 17.7, 'Perch'],
        [51.5, 15.0, 16.2, 17.2, 26.7, 15.3, 'Perch'],
        [272.0, 25.0, 27.0, 30.6, 28.0, 15.6, 'Roach'],
        [500.0, 28.5, 30.7, 36.2, 39.3, 13.7, 'Bream'],
        [9.8, 11.4, 12.0, 13.2, 16.7, 8.7, 'Smelt'],
        [510.0, 40.0, 42.5, 45.5, 15.0, 9.8, 'Pike'],
        [925.0, 36.2, 39.5, 45.3, 41.4, 14.9, 'Bream'],
        [1015.0, 37.0, 40.0, 42.4, 29.2, 17.6, 'Perch'],
        [1550.0, 56.0, 60.0, 64.0, 15.0, 9.6, 'Pike'],
        [1000.0, 37.3, 40.0, 43.5, 28.4, 15.0, 'Whitewish'],
        [920.0, 35.0, 38.5, 44.1, 40.9, 14.3, 'Bream'],
        [140.0, 21.0, 22.5, 25.0, 26.2, 13.3, 'Roach'],
        [218.0, 25.0, 26.5, 28.0, 25.6, 14.8, 'Perch'],
        [9.7, 10.4, 11.0, 12.0, 18.3, 11.5, 'Smelt'],
        [69.0, 16.5, 18.2, 20.3, 26.1, 13.9, 'Roach'],
        [110.0, 19.0, 21.0, 22.5, 25.3, 15.8, 'Perch'],
        [150.0, 21.0, 23.0, 24.5, 21.3, 14.8, 'Perch'],
        [160.0, 20.5, 22.5, 25.3, 27.8, 15.1, 'Roach'],
        [7.0, 10.1, 10.6, 11.6, 14.9, 9.9, 'Smelt'],
        [78.0, 17.5, 18.8, 21.2, 26.3, 13.7, 'Roach'],
        [450.0, 26.8, 29.7, 34.7, 39.2, 14.2, 'Bream'],
        [556.0, 32.0, 34.5, 36.5, 28.1, 17.5, 'Perch'],
        [1650.0, 59.0, 63.4, 68.0, 15.9, 11.0, 'Pike'],
        [110.0, 19.1, 20.8, 23.1, 26.7, 14.7, 'Roach'],
        [685.0, 31.4, 34.0, 39.2, 40.8, 13.7, 'Bream'],
        [200.0, 22.1, 23.5, 26.8, 27.6, 15.4, 'Roach'],
        [770.0, 44.8, 48.0, 51.2, 15.0, 10.5, 'Pike'],
        [7.5, 10.0, 10.5, 11.6, 17.0, 10.0, 'Smelt'],
        [8.7, 10.8, 11.3, 12.6, 15.7, 10.2, 'Smelt'],
        [500.0, 42.0, 45.0, 48.0, 14.5, 10.2, 'Pike'],
        [170.0, 19.0, 20.7, 23.2, 40.5, 14.7, 'Silver Bream'],
        [120.0, 20.0, 22.0, 23.5, 24.0, 15.0, 'Perch'],
        [145.0, 19.8, 21.5, 24.1, 40.4, 13.1, 'Silver Bream'],
        [130.0, 19.3, 21.3, 22.8, 28.0, 15.5, 'Perch'],
        [850.0, 36.9, 40.0, 42.3, 28.2, 16.8, 'Perch'],
        [265.0, 25.4, 27.5, 28.9, 24.4, 15.0, 'Perch'],
        [0.0, 19.0, 20.5, 22.8, 28.4, 14.7, 'Roach'],
        [680.0, 31.8, 35.0, 40.6, 38.1, 15.1, 'Bream'],
        [90.0, 16.3, 17.7, 19.8, 37.4, 13.5, 'Silver Bream'],
        [575.0, 31.3, 34.0, 39.5, 38.3, 14.1, 'Bream'],
        [390.0, 29.5, 31.7, 35.0, 27.1, 15.3, 'Roach'],
        [225.0, 22.0, 24.0, 25.5, 28.6, 14.6, 'Perch'],
        [10.0, 11.3, 11.8, 13.1, 16.9, 9.8, 'Smelt'],
        [1000.0, 39.8, 43.0, 45.2, 26.4, 16.1, 'Perch'],
        [500.0, 28.7, 31.0, 36.2, 39.7, 13.3, 'Bream'],
        [120.0, 19.4, 21.0, 23.7, 25.8, 13.9, 'Roach'],
        [430.0, 35.5, 38.0, 40.5, 18.0, 11.3, 'Pike'],
        [200.0, 21.2, 23.0, 25.8, 40.1, 14.2, 'Silver Bream'],
        [250.0, 25.9, 28.0, 29.4, 26.6, 14.3, 'Perch'],
        [800.0, 33.7, 36.4, 39.6, 29.7, 16.6, 'Whitewish'],
        [32.0, 12.5, 13.7, 14.7, 24.0, 13.6, 'Perch'],
        [430.0, 26.5, 29.0, 34.0, 36.6, 15.1, 'Bream'],
        [145.0, 20.5, 22.0, 24.3, 27.3, 14.6, 'Roach'],
        [950.0, 48.3, 51.7, 55.1, 16.2, 11.2, 'Pike'],
        [300.0, 31.7, 34.0, 37.8, 15.1, 11.0, 'Pike'],
        [250.0, 25.4, 27.5, 28.9, 25.2, 15.8, 'Perch'],
        [650.0, 36.5, 39.0, 41.4, 26.9, 14.5, 'Perch'],
        [270.0, 24.1, 26.5, 29.3, 27.8, 14.5, 'Whitewish'],
        [600.0, 29.4, 32.0, 37.2, 41.5, 15.0, 'Bream'],
        [145.0, 22.0, 24.0, 25.5, 25.0, 15.0, 'Perch'],
        [1100.0, 40.1, 43.0, 45.5, 27.5, 16.3, 'Perch']]

if __name__ == "__main__":
    test_case = input()
    test_case = [float(x) for x in test_case.split(', ')[:-1]] + [test_case.split(', ')[-1]]
    list1=[]
    for x in data:
    	if x == 'Bream':
        	list1.append(x)
	list2=[]
    for x in data:
    	if x == 'Perch':
        	list2.append(x)
	traning_data = list1[0:25]+list[0:25]
    build_tree(traning_data,entropy)
    print(max(classify(test_case,build_tree).items(), key = lambda x:x[1])[0])