现需利用交易数据建立分类模型对二手手机价格进行预测，步骤如下。 （1）删除有异常值的行（手机厚度小于等于0cm ）（5分）。 （2）建立随机森林分类模型对数据进行训练（5分）。 （3）计算模型准确率（5分），评价分类模型效果（5分）。

（1）首先，检查交易数据中手机厚度是否存在问题，如果存在厚度小于等于0cm的数据点，可以使用条件过滤或Pandas库的dropna()方法去除这些异常值：

import pandas as pd
df = pd.read_csv('cellphone_price_data.csv')
df = df[df['thickness'] > 0]  # 删除厚度小于等于0cm的行

（2）接着，使用sklearn库中的RandomForestClassifier建立随机森林分类模型，并训练模型：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 假设'price'是目标变量，其他列是特征
X = df.drop('price', axis=1)
y = df['price']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

rfc = RandomForestClassifier(n_estimators=100, random_state=42)
rfc.fit(X_train, y_train)

（3）训练完成后，我们计算模型的准确率来评价分类效果，以及可能的混淆矩阵或其他评估指标：

from sklearn.metrics import accuracy_score

y_pred = rfc.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

# 可能还会计算其他指标如精确率、召回率、F1分数等