diff --git a/ID3.py b/ID3.py
new file mode 100644
index 0000000..cdff71d
--- /dev/null
+++ b/ID3.py
@@ -0,0 +1,185 @@
+import pandas as pd
+import numpy as np
+from pprint import pprint
+import dataset
+
+training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
+testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
+
+
+def entropy(target_col):
+    """
+    Obliczenie warości entropii dla wskazanej kolumny
+    """
+    values, counts = np.unique(target_col, return_counts=True)
+    entropy = np.sum(
+        [(-counts[i] / np.sum(counts)) * np.log2(counts[i] / np.sum(counts)) for i in range(len(values))])
+    return entropy
+
+
+def info_gain(data, split_attribute_name, target_name="label"):
+    """
+    Obliczenie wartości przyrostu informacji dla wskazanego atrybutu (split_attribute_name)
+     w podanym zbiorze (data)
+    """
+
+    # Wartość entropii zbioru
+    total_entropy = entropy(data[target_name])
+
+    # Wyodrębnienie poszczególnych "podzbiorów"
+    vals, counts = np.unique(data[split_attribute_name], return_counts=True)
+
+    # Średnia ważona entropii każdego podzbioru
+    weighted_entropy = np.sum(
+        [(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
+         for i in range(len(vals))])
+
+    # Przyrost informacji
+    information_gain = total_entropy - weighted_entropy
+
+    return information_gain
+
+
+def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
+    """
+    Algorytm ID3
+
+    parametry:
+        data                    zbiór danych, dla którego poszukujemy drzewa decyzyjnego
+        original_data           oryginalny zbiór danych (zwracany gdy data == None)
+        features                lista atrybutów wejściowego zbioru
+        target_attribute_name   docelowy atrybut, który chcemy przewidzieć
+        parent_node_class       nadrzędna wartość
+    """
+
+    # Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
+
+    if len(np.unique(data[target_attribute_name])) <= 1:
+        return np.unique(data[target_attribute_name])[0]
+
+    elif len(data) == 0:
+        return np.unique(original_data[target_attribute_name])[
+            np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
+
+    elif len(features) == 0:
+        return parent_node_class
+
+    else:
+
+        # Aktualizacja nadrzędnej wartości
+        parent_node_class = np.unique(data[target_attribute_name])[
+            np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
+
+        # Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
+        # według którego nastąpi podział zbioru
+        item_values = [info_gain(data, feature, target_attribute_name) for feature in
+                       features]
+
+        # Najlepszym atrybutem jest ten o największym przyroście informacji
+        best_feature_index = np.argmax(item_values)
+        best_feature = features[best_feature_index]
+
+        # Struktura drzewa
+        tree = {best_feature: {}}
+
+        # Aktualizacja zbioru atrybutów
+        features = [i for i in features if i != best_feature]
+
+        # Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
+        for value in np.unique(data[best_feature]):
+
+            sub_data = data.where(data[best_feature] == value).dropna()
+            subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
+
+            tree[best_feature][value] = subtree
+
+        return (tree)
+
+
+def predict(query, tree, default='beetroot'):
+    """
+    Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label".
+    W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie
+    (np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości),
+    wówczas przewidywana zostaje wartość domyślna, w tym przypadku jest to burak jako warzywo o najmniejszych wymaganiach.
+    """
+
+    for key in list(query.keys()):
+        if key in list(tree.keys()):
+            try:
+                result = tree[key][query[key]]
+            except:
+                return default
+            result = tree[key][query[key]]
+            if isinstance(result, dict):
+                return predict(query, result)
+
+            else:
+                return result
+
+
+def test(data, tree):
+    # Wartości docelowych atrybutów (nazwy warzyw) zostają usunięte
+    queries = data.iloc[:, :-1].to_dict(orient="records")
+
+    # Przewidywane wartości atrybutów
+    predicted = pd.DataFrame(columns=["predicted"])
+
+    # Obliczenie precyzji przewidywań
+    for i in range(len(data)):
+        predicted.loc[i, "predicted"] = predict(queries[i], tree, 'beetroot')
+    print('Precyzja przewidywań: ', (np.sum(predicted["predicted"] == data["label"]) / len(data)) * 100, '%')
+
+
+def predict_data(data):
+    """
+    Funkcja dostosowana do formatu danych, jakimi dysponuje traktor
+    'data' jest tutaj listą, która zostaje przekonwertowana do postaci słownika,
+    aby możliwe było wywołanie procedury 'predict'.
+    Wyniki zostają zwrócone w postaci listy.
+    """
+    parse_data = [[data[0], categorize_pH(data[1]), categorize_dry_level(data[2]), '']]
+    #print(parse_data)
+
+    queries = pd.DataFrame(data=parse_data, columns=dataset.header)
+    predicted = pd.DataFrame(columns=["predicted"])
+    dict = queries.iloc[:, :-1].to_dict(orient="records")
+
+    for i in range(len(parse_data)):
+        predicted.loc[i, "predicted"] = predict(dict[i], tree, 'beetroot')
+
+    predicted_list = predicted.values.tolist()
+    print("Planted: ", predicted_list[0][0])
+
+
+def categorize_pH(pH):
+    if pH <= 4.5:
+        return 'strongly acidic'
+    if 4.5 < pH <= 5.5:
+        return 'acidic'
+    if 5.5 < pH <= 6.5:
+        return 'slightly acidic'
+    if 6.5 < pH <= 7.2:
+        return 'neutral'
+    if 7.2 < pH:
+        return 'alkaline'
+
+
+def categorize_dry_level(dry_level):
+    if dry_level <= 0.1:
+        return 'soaking wet'
+    if 0.1 < dry_level <= 0.4:
+        return 'wet'
+    if 0.4 < dry_level <= 0.6:
+        return 'medium wet'
+    if 0.6 < dry_level <= 0.8:
+        return 'dry'
+    if 0.8 < dry_level:
+        return 'very dry'
+
+
+# tworzenie, wyświetlanie i testowanie drzewa
+
+tree = ID3(training_data, training_data, training_data.columns[:-1])
+#pprint(tree)
+#test(testing_data, tree)
diff --git a/dataset.py b/dataset.py
new file mode 100644
index 0000000..a94ddac
--- /dev/null
+++ b/dataset.py
@@ -0,0 +1,71 @@
+header = ['previous', 'soil pH', 'dry level', 'label']
+
+training_data = [
+    ['carrot', 'alkaline', 'dry', 'beetroot'],
+    ['carrot', 'slightly acidic', 'dry', 'beetroot'],
+    ['cabbage', 'alkaline', 'dry', 'beetroot'],
+    ['none', 'alkaline', 'dry', 'beetroot'],
+    ['carrot', 'slightly acidic', 'medium wet', 'beetroot'],
+    ['none', 'slightly acidic', 'dry', 'beetroot'],
+    ['pumpkin', 'neutral', 'dry', 'beetroot'],
+    ['beetroot', 'neutral', 'dry', 'beetroot'],
+    ['cabbage', 'alkaline', 'medium wet', 'beetroot'],
+    ['none', 'slightly acidic', 'medium wet', 'beetroot'],
+    ['cabbage', 'acidic', 'dry', 'carrot'],
+    ['none', 'acidic', 'medium wet', 'carrot'],
+    ['carrot', 'neutral', 'dry', 'carrot'],
+    ['beetroot', 'slightly acidic', 'dry', 'carrot'],
+    ['pumpkin', 'acidic', 'medium wet', 'carrot'],
+    ['beetroot', 'acidic', 'medium wet', 'carrot'],
+    ['carrot', 'neutral', 'dry', 'carrot'],
+    ['pumpkin', 'slightly acidic', 'medium wet', 'carrot'],
+    ['beetroot', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'neutral', 'wet', 'pumpkin'],
+    ['carrot', 'slightly acidic', 'wet', 'pumpkin'],
+    ['pumpkin', 'neutral', 'wet', 'pumpkin'],
+    ['cabbage', 'slightly acidic', 'medium wet', 'pumpkin'],
+    ['carrot', 'neutral', 'wet', 'pumpkin'],
+    ['cabbage', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'slightly acidic', 'wet', 'pumpkin'],
+    ['beetroot', 'slightly acidic', 'medium wet', 'pumpkin'],
+    ['carrot', 'neutral', 'medium wet', 'cabbage'],
+    ['pumpkin', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'medium wet', 'cabbage'],
+    ['beetroot', 'neutral', 'medium wet', 'cabbage'],
+    ['cabbage', 'slightly acidic', 'wet', 'cabbage'],
+    ['none', 'neutral', 'medium wet', 'cabbage'],
+    ['cabbage', 'neutral', 'medium wet', 'cabbage'],
+    ['carrot', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'wet', 'cabbage'],
+    ['pumpkin', 'neutral', 'medium wet', 'cabbage'],
+    ['carrot', 'neutral', 'soaking wet', 'none'],
+    ['beetroot', 'alkaline', 'very dry', 'none'],
+    ['none', 'alkaline', 'soaking wet', 'none'],
+    ['cabbage', 'acidic', 'medium wet', 'none'],
+    ['pumpkin', 'acidic', 'soaking wet', 'none'],
+    ['cabbage', 'slightly acidic', 'soaking wet', 'none'],
+    ['none', 'slightly acidic', 'soaking wet', 'none'],
+    ['carrot', 'neutral', 'very dry', 'none'],
+    ['carrot', 'acidic', 'medium wet', 'none'],
+    ['pumpkin', 'neutral', 'soaking wet', 'none']
+]
+
+testing_data = [
+
+    ['beetroot', 'neutral', 'dry', 'beetroot'],
+    ['cabbage', 'alkaline', 'medium wet', 'beetroot'],
+    ['none', 'slightly acidic', 'medium wet', 'beetroot'],
+    ['cabbage', 'acidic', 'dry', 'carrot'],
+    ['none', 'acidic', 'medium wet', 'carrot'],
+    ['carrot', 'neutral', 'dry', 'carrot'],
+    ['beetroot', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'neutral', 'wet', 'pumpkin'],
+    ['carrot', 'slightly acidic', 'wet', 'pumpkin'],
+    ['carrot', 'neutral', 'medium wet', 'cabbage'],
+    ['pumpkin', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'medium wet', 'cabbage'],
+    ['carrot', 'neutral', 'soaking wet', 'none'],
+    ['beetroot', 'alkaline', 'very dry', 'none'],
+    ['none', 'alkaline', 'soaking wet', 'none'],
+
+]
\ No newline at end of file