判断粮食酒和勾兑酒需要结合理化指标检测和特征物质分析。以下是基于化学成分分析的机器学习判断方法示例代码：
python
import numpy as np
import pandas as pd
from sklearn.ensemble import randomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
模拟数据集（实际需实验检测数据）
特征字段说明：
total_acid: 总酸(g/L)
total_ester: 总酯(g/L)
ethyl_acetate: 乙酸乙酯含量
iso_butanol: 异丁醇含量
iso_pentanol: 异戊醇含量
data = {
'type': ['纯粮酒']50 + ['勾兑酒']50, 标签
'total_acid': np.concatenate([
np.random.normal(0.5, 0.1, 50), 粮食酒特征值范围
np.random.normal(0.3, 0.1, 50) 勾兑酒特征值范围
]),
'total_ester': np.concatenate([
np.random.normal(2.5, 0.5, 50),
np.random.normal(1.2, 0.3, 50)
]),
'ethyl_acetate': np.concatenate([
np.random.normal(1.8, 0.3, 50),
np.random.normal(0.6, 0.2, 50)
]),
'iso_butanol': np.concatenate([
np.random.normal(0.1, 0.05, 50),
np.random.normal(0.4, 0.1, 50)
]),
'iso_pentanol': np.concatenate([
np.random.normal(0.08, 0.02, 50),
np.random.normal(0.25, 0.05, 50)
])
df = pd.DataFrame(data)
数据预处理
X = df.drop('type', axis=1)
y = df['type']
划分训练测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
建立随机森林分类模型
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
模型评估
y_pred = model.predict(X_test)
print(f"准确率: {accuracy_score(y_test, y_pred):.2f}")
新样本预测示例
new_sample = [[0.45, 2.3, 1.7, 0.12, 0.09]] 粮食酒特征
print("预测结果:", model.predict(new_sample)[0])
关键区分指标：
1. 总酯含量：纯粮酒 >1.5g/L，勾兑酒 <1.0g/L
2. 乙酸乙酯比例：纯粮酒占总酯50%以上
3. 高级醇含量：勾兑酒的异丁醇、异戊醇含量更高
4. 酸酯平衡：纯粮酒的酸酯比更协调
实际应用需要：
1. 获取真实检测数据（气相色谱仪等设备）
2. 增加特征维度（正丙醇、乳酸乙酯等）
3. 结合感官指标（酒花持续时间、挂杯度等）
建议结合国标检测方法：
GB/T 10345-2007 白酒分析方法
GB/T 10781.1-2006 浓香型白酒标准
注意：实际鉴别需要专业设备检测，代码示例仅演示分析方法思路。
