）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，那么我可以给出一些实现上述任务的Python示例代码，供你参考：

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

# 读取数据
data = pd.read_csv('train_price.csv')

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

# 将目标字段和特征字段分开
y = data['price']
X = data.drop(['price'], axis=1)

# 对分类变量进行独热编码
cat_cols = ['brand', 'fuelType', 'gearbox']
enc = OneHotEncoder(categories='auto')
X_cat = enc.fit_transform(X[cat_cols]).toarray()
X = X.drop(cat_cols, axis=1)
X = pd.concat([X, pd.DataFrame(X_cat)], axis=1)

# 划分训练集和测试集
random_state = int('学号后4位')
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=random_state)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 在测试集上评估模型效果
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
print('R2 score:', r2)

这段代码中，我们首先读取了数据，并筛选出车身类型为“微型车”的样本。然后，我们将目标字段和特征字段分开，并对分类变量进行独热编码。接着，我们使用train_test_split方法将数据划分为训练集和测试集，并使用LinearRegression算法训练模型。最后，我们在测试集上使用r2_score方法评估模型效果。