sklearn decisiontreeclassifier返回不可能的分割值

我试图用一个dataframe(pandas)实现sklearn中的decisiontreeclassifier,但它在分割数据时返回一些奇怪的值。我的数据集包含3列pearsons相关系数,它们只能介于-1.0和1.0之间。但是,根节点已经开始被pearsons<=1.0处的其中一列拆分,并显示true和false的两个子节点。但是,这是不可能的!!所有值都是<=1.0。不可能在那里分裂。有人知道这是怎么回事吗?

在我的代码中,我尝试了基尼准则和熵准则,也尝试了拆分器和其他可能参数的不同组合。这或多或少是我的代码,但我仍然在玩参数:

newtable = table_of_pickle_ptptnew.loc[:,('Pearsons Ratio', 'Pearsons 330nm', 'Pearsons 350nm', 'Ratio Space', '330nm Similarity', '350nm Similarity')]

x = newtable.values
y = table_of_pickle_ptptnew['Binding Known'].values

dtree=DecisionTreeClassifier(max_features='auto',
                             max_depth=3,
                             criterion ='entropy',
                             min_impurity_decrease=0.09
                            )
fittree = dtree.fit(x, y.astype('str'))

dot_data = tree.export_graphviz(fittree, out_file=None,
                               class_names=['No Interaction', 'Interaction'],
                               feature_names=['Pearsons Ratio', 'Pearsons 330nm', 'Pearsons 350nm', 'Ratio Space', '330nm Similarity', '350nm Similarity'],
                               filled=True) 
graph = graphviz.Source(dot_data) 
graph



          Pearsons Ratio    Pearsons 330nm  Pearsons 350nm  Ratio Space     330nm Similarity    350nm Similarity
Elem a     0.94856          0.99999         0.99999        0.000725507      0.157209             0.0572688
Elem b     0.99234          1               0.99999        0.00657003       0.0568281            0.0465139
Elem c     0.98525          0.99999         0.99999        0.0114932        0.0226809            0.133452
Elem d     0.99793          0.99999         0.99999        0.000643209      0.154585             0.0914759
Elem e     0.99849          0.99999         0.99999        0.00128532       0.0932893            0.0464462

这是树的第一个节点的样子。所以,我的意思是 假 在根节点(pearson 350nm<=1.0)的条件下 不可能的 因为所有样本都是<=1.0(真)。