用python代码将每一个问题写出来

当然，以下是使用Python进行上述分析的简要代码示例：

import pandas as pd
import matplotlib.pyplot as plt
from scipy.stats import pearsonr
from statsmodels.formula.api import ols

# 1. 导入数据
df = pd.read_excel('mydata1.xlsx', sheet_name='Table7.1')

# 2. 散点图
plt.scatter(df['speed'], df['dist'])
plt.xlabel('速度 (speed)')
plt.ylabel('刹车距离 (dist)')
plt.title('速度与刹车距离散点图')
plt.show()

# 3. 相关系数及其假设检验
corr, p_value = pearsonr(df['speed'], df['dist'])
print(f"相关系数: {corr}, p值: {p_value}")

# 使用显著性水平α（例如0.05）进行假设检验
if p_value < 0.05:
    print("速度与刹车距离有显著线性关系")
else:
    print("速度与刹车距离没有显著线性关系")

# 4. OLS回归
model = ols('dist ~ speed', data=df).fit()
summary = model.summary()
print(summary)

# 5. 预测速度为30时的刹车距离
predict_dist = model.predict({'speed': 30})
print(f"预测速度30时的刹车距离: {predict_dist}")

请注意，以上代码需要安装`pandas`, `matplotlib`, 和 `statsmodels`库才能运行。如果你的数据存储结构或文件路径有所不同，记得相应地调整代码。此外，在实际使用中，可能还需要处理缺失值或异常值等问题。