对问题四建一个逻辑回归模型 给出全部代码

为了解决问题四，即构建一个用于预测金融违规洗钱交易的模型，我们可以选择使用逻辑回归作为基础算法。下面提供了一个简化版的Python示例代码，假设您已经有了处理好的数据集，并且已经安装了必要的库如`pandas`, `numpy`, `sklearn`等：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

# 假设 df 是您的DataFrame 数据框，其中包含了所有必要的列
# 这里我们简单地列举了一些可能用到的特征列名称
features = ['交易金额', '洗钱风险评分', '交易类型', '交易日期', 
            '货币来源', '涉及的空壳公司数量']
target = '是否违规'

# 将非数值类型的特征转化为数字编码
for feature in features:
    if df[feature].dtype == 'object':
        df[feature] = pd.Categorical(df[feature])
        df[feature] = df[feature].cat.codes

X = df[features]
y = df[target]

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建逻辑回归模型实例
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测结果
predictions = model.predict(X_test)

# 打印准确度和其他分类报告
print("Accuracy:", accuracy_score(y_test, predictions))
print(classification_report(y_test, predictions))

请注意，在实际应用此脚本之前，您需要针对具体的数据预处理步骤进行调整，比如特征工程以更好地提取有用的信息，异常值处理等等。此外，上述代码仅适用于二元分类任务；如果实际情况更复杂，则需相应修改模型设置。