读取房价.csv数据内容有面积和房价两列，先用‘matplotlib’库画出图，做数据标准化，通过迭代求解系数W1和常数项W0，然后用标准化的数据训练模型：y=w1*x+w0 求买360平房子，需要多少钱？

首先，你需要完成以下几个步骤来分析房价.csv文件并预测特定面积的房子价格：

1. **导入所需库**:
- 导入`pandas`用于数据处理，`matplotlib`用于绘图，`numpy`辅助计算，以及`sklearn.preprocessing`进行数据标准化。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

2. **加载数据**:
使用`pandas`的`read_csv`函数读取CSV文件。

df = pd.read_csv('房价.csv')

3. **数据预处理**:
- 确保数据集包含“面积”和“房价”两列，并查看是否有缺失值。
- 将数据分为特征（X）和目标变量（y）。

X = df['面积']
y = df['房价']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X.values.reshape(-1, 1))

4. **划分训练集和测试集**:
划分数据以便于模型评估。

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

5. **创建并训练线性回归模型**:
使用训练数据训练模型。

model = LinearRegression()
model.fit(X_train, y_train)

6. **系数和常数项获取**:
训练完成后，你可以得到w1（斜率）和w0（截距）。

W1 = model.coef_[0]
W0 = model.intercept_

7. **预测特定面积的价格**:
给定一个特定面积（例如360平米），对其进行标准化，然后计算预测价格。

new_area = 360
area_scaled = scaler.transform([[new_area]])
predicted_price = W1 * area_scaled + W0
predicted_price = scaler.inverse_transform(predicted_price)[0][0]  # 反标准化结果

8. **绘制散点图和拟合线**:
可以用`matplotlib`展示原始数据点和拟合直线。

plt.scatter(X, y)
plt.plot(X, model.predict(X_train), color='red', linewidth=2)
plt.xlabel('面积')
plt.ylabel('房价')
plt.show()

最后，对360平米的房子预测价格将是`predicted_price`。需要注意的是，这个价格基于你提供的数据集，实际市场价可能会有所不同。