帮我用python实现该文件的题目

为了实现《充电设施用电量预测》这一竞赛题目的要求，你需要按照以下步骤操作：

### 导入必要的库
首先，确保已经安装了`pandas`和`numpy`这两个库，因为它们在这个任务中会被频繁地使用到。

import pandas as pd
import numpy as np
from save_results_B import *

### 数据读取 - 任务1.1
接着，你需要加载训练集的信息表和测试集的信息表，具体命令如下：

train_info = pd.read_csv("./data/train_info.csv")
train_power = pd.read_csv("./data/train_power.csv")
test_info = pd.read_csv("./data/test_info.csv")

### 探查缺失值 - 任务1.2
然后检查训练集中是否存在任何缺失值，并存储结果至指定变量中：

task1_2 = train_info.isnull().sum() # 计算每个列中缺失值的数量
task1_2 = task1_2[task1_2 > 0]       # 只保留那些存在缺失值的列
save_task_12(task1_2)                # 调用给定函数保存结果

### 异常值处理 - 任务1.3
处理训练集和测试集中的`total_price`字段，并且将其更新回原表格：

train_info['total_price'] = train_info['price1'] + train_info['price3']
test_info['total_price'] = test_info['price1'] + test_info['price3']
save_task_13(train_info, test_info)

### 数据整合 - 任务1.4
将训练集中的信息表和电量记录表按条件连接起来形成新的DataFrame对象：

train_data = pd.merge(train_info, train_power, on=['ID', 'date', 'hour'])
save_task_14(train_data)

### 构建预测模型 - 任务1.5
最后一步就是创建一个预测模型来预测各个充电站在接下来的一周内每天的电量需求。由于具体的建模过程涉及到大量的细节和实际数据的探索，这里仅提供基本框架：

# 假设使用线性回归作为示例模型
from sklearn.linear_model import LinearRegression
model = LinearRegression()

# 准备训练数据
features = ['hour', 'price1', 'price2', 'price3', 'total_price', 'parking', 'flag', 'h3', 'dc_pile_power', 'ac_pile_power']
X_train = train_data[features]
y_train = train_data['power']

# 训练模型
model.fit(X_train, y_train)

# 使用测试数据做预测
# 这里假设测试数据已经有了同样的特征列
X_test = test_info[features]
predictions = model.predict(X_test)

# 结果保存成与样例相同的格式
submission = pd.DataFrame({'ID': test_info['ID'], 'date': test_info['date'], 'power': predictions})
submission.to_csv('./data/submission.csv', index=False)
save_task_15(submission['power'].values)  # 提交预测结果

请注意上述代码只是示例性的，实际上可能需要更多的特征工程工作和其他机器学习模型的选择等。