在机器学习中会用字典的嵌套来存储决策树的信息，对绘制树形图有很大的作用，其中嵌套字典的生成是一个递归的过程
如下所示：
>>> s={'a':{0:'no',1:{'flippers':{0: 'no', 1: 'maybe'}}},'b':{}} # 构造字典
>>> s['a'][0] # 取值
'no'
>>> s['a'][1]
{'flippers': {0: 'no', 1: 'maybe'}}
>>> s['a'][1]['flippers'][1]
'maybe'
----------
# 嵌套构造过程
>>> s={'no sur':{}}
>>> s['no sur'][0]='no'
>>> s
{'no sur': {0: 'no'}}
>>> ss={'fli':{}}
>>> ss['fli'][0]='no'
>>> ss['fli'][1]='yes'
>>> s['no sur'][1]=ss # 其中ss是在递归中的最外层
>>> s
{'no sur': {0: 'no', 1: {'fli': {0: 'no', 1: 'yes'}}}}
>>> 在上面构造嵌套字典的过程中，可以通过key来得到相应的value，而相应的value又可以是由字典构成的，再次利用key作为索引层级得到value。
其次是嵌套构造的过程，可以看出ss虽然是一个嵌套的字典，但其是作为s的对应‘fli’的值的，而{‘fli’: {0: ‘no’, 1: ‘yes’}}整体作为1的值。在机器学习实战中的创建树的过程中，用到了递归创建的方法，其中：
标注的两行看了好久才明白，图中递归的效果就类似于上面的代码运行效果，只不过图中的代码等同于是把上面的ss写成s。
要想很清楚地理解递归，可以学习下数据结构中的调用栈，也就是栈的调用原理，然后就很清晰了。。。。
