以下是一个使用Python编写的示例代码，展示如何使用决策树对数据进行分类。

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)

在上述代码中，首先使用datasets.load_iris()加载了一个经典的鸢尾花数据集。然后，通过train_test_split函数将数据集划分为训练集和测试集。接下来，创建一个决策树分类器，并使用训练集进行训练。然后，使用训练好的模型对测试集进行预测，并计算预测准确率。

这个示例代码中的决策树是使用scikit-learn库中的DecisionTreeClassifier类来实现的。你可以根据实际需求调整代码，例如尝试不同的数据集、调整训练集和测试集的划分比例、或调整决策树的参数等。