1）根据训练样本训练“微型车”售价预测模型，预测目标字段为“price”，算法模型可自由选择； 2）使用tran_test_split方法将train_price.csv划分成训练样本和测试样本，且train_test_split方法中的random_state参数用自己的学号的后4位； 3）只需筛选训练样本中车身类型（bodyType字段）为“微型车”的样本训练模型；其余特征可自由选择； 4）用R2评估模型在测试样本上的效果 - sklearn.metrics.r2_score；

好的，我理解了你的问题。针对这个问题，我们可以采用以下步骤：

1. 读取train_price.csv数据集，并使用pandas库进行数据清洗和预处理，以保证数据的质量和准确性。

2. 筛选出车身类型为“微型车”的样本，并将目标字段“price”作为预测目标。

3. 利用train_test_split方法将数据集划分成训练集和测试集，其中random_state参数可以使用你的学号后4位作为种子值。

4. 选择一个适合的算法模型，使用训练集进行训练，并进行模型优化和调整。

5. 在测试集上进行模型评估，使用R2评分作为评估指标，计算模型的预测效果。

以下是一份可能的代码示例，供你参考：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

# 读取数据集并进行预处理
df = pd.read_csv('train_price.csv', encoding='gbk')
df.dropna(inplace=True)

# 筛选出车身类型为“微型车”的样本
df = df[df['bodyType'] == '微型车']

# 将目标字段作为预测目标
X = df.drop(['price'], axis=1)
y = df['price']

# 将数据集划分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)

# 选择线性回归模型，并进行训练和优化
model = LinearRegression()
model.fit(X_train, y_train)

# 在测试集上进行预测，并计算R2评分
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)

print(f"模型在测试集上的R2评分为：{r2:.4f}")

注意，以上示例代码仅供参考，具体实现方法可能因数据集和算法模型的不同而有所差异。