决策树的Python代码可以使用scikit-learn库来实现。下面是一个简单的决策树分类器的例子：
首先，我们需要安装scikit-learn库，如果还未安装，可以通过pip来安装：
```python
pip install scikit-learn
```
然后，我们可以使用以下代码来创建一个决策树分类器：
```python
from sklearn.datasets import load_iris # 用于加载iris数据集
from sklearn.model_selection import train_test_split # 用于分割数据集为训练集和测试集
from sklearn import tree # 导入决策树模块
from sklearn import metrics # 用于评估模型性能
import matplotlib.pyplot as plt # 用于绘制决策树图形
# 加载iris数据集
iris = load_iris() # iris数据集是一个多类分类问题，包含三种鸢尾花类型
X = iris.data # 特征数据
y = iris.target # 目标数据（类别）
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1) # 划分训练集和测试集，其中测试集占整体数据的30%
# 创建决策树分类器实例并进行训练
clf = tree.DecisionTreeClassifier() # 创建决策树分类器实例
clf = clf.fit(X_train, y_train) # 训练模型
# 使用训练好的模型进行预测，并评估模型性能
y_pred = clf.predict(X_test) # 使用模型对测试集进行预测
print("Accuracy:", metrics.accuracy_score(y_test, y_pred)) # 输出模型的准确率
# 可选：绘制决策树图形
fig = plt.figure(figsize=(15,10)) # 创建画布并设置大小
fig = clf.plot_tree(fig=fig) # 使用plot_tree函数绘制决策树图形，返回的是matplotlib的Figure对象，用于进一步的绘图操作。这个步骤可能需要较长时间来运行。具体请参考matplotlib和scikit-learn的文档来了解如何进一步定制和保存图形。
plt.show() # 显示图形窗口。如果在notebook环境下运行代码，可能需要使用其他方式来显示图形。例如使用matplotlib的Jupyter显示函数等。请查阅相关文档以获取更多信息。
```
请注意，这个例子使用了Iris数据集，这是一个多类分类问题。决策树对于不同的任务（如回归、多类分类等）有不同的使用方式，需要根据实际情况进行调整。另外，虽然scikit-learn已经包含了大部分的机器学习算法实现和示例，但是对于某些特定问题，可能需要自定义一些特定的函数或者类来处理。在这种情况下，可以参考scikit-learn的文档和教程来了解如何扩展scikit-learn的功能。