表格A（表格A有两列数据，第一列为年份，从1978至2010，第二列为左边一列对应年份的平均工资）是某省1978年至2010年的年平均工资，编写python代码，先对表格A数据进行简单的探索性分析（包括但不限于样本大小、增长变化情况等），并预测2011年至2022年的年平均工资。

为了对表格A的数据进行探索性和预测，我们可以使用pandas库来处理数据，matplotlib用于可视化，以及sklearn库来进行简单线性回归模型的拟合。这里是一个示例Python代码：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 假设你已经有了名为df的DataFrame，其中包含年份（'Year'）和平均工资（'Average_Wage'）
# df = pd.read_csv('table_A.csv')  # 如果数据存储在一个CSV文件里，你需要加上这行来读取数据

# 1. 探索性分析
# 检查样本大小
print("样本大小:", len(df))

# 年份和平均工资的统计信息
description = df.describe()
print("\n描述性统计信息:")
print(description)

# 绘制年平均工资的变化趋势图
plt.figure(figsize=(10,6))
plt.plot(df['Year'], df['Average_Wage'])
plt.xlabel('年份')
plt.ylabel('平均工资')
plt.title('1978年至2010年年平均工资变化')
plt.show()

# 2. 数据预处理 (假设数据呈现线性关系)
X = df['Year'].values.reshape(-1, 1)  # 将年份作为特征
y = df['Average_Wage']  # 目标变量

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X, y)

# 预测2011年至2022年的年平均工资
years_future = range(2011, 2023)
predictions = model.predict(years_future.reshape(-1, 1))

# 结果展示
print("\n预测的2011年至2022年年平均工资:\n", predictions)

# 可视化预测结果
plt.plot(years_future, predictions, color='red', label='预测')
plt.legend()
plt.show()