1）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；

感谢您的提问！根据您的要求，我可以给出以下建议：

1. 对于预测售价的问题，可以选择回归算法，如线性回归、决策树回归、随机森林回归等；

2. 可以使用Python中的scikit-learn库中的train_test_split函数将数据集划分为训练集和测试集，具体使用方法如下：

from sklearn.model_selection import train_test_split

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

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

# 定义特征和目标变量
X = data_micro.drop('price', axis=1)
y = data_micro['price']

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=学号后4位)

3. 根据要求，可以筛选出车身类型为“微型车”的样本进行模型训练。除了车身类型外，可以选择其他特征作为模型的输入变量，如车龄、里程、排量、变速器类型等。选择哪些特征可以通过探索性数据分析和相关性分析来确定。

4. 在测试集上评估模型的效果可以使用R2评估指标，其计算方法如下：

from sklearn.metrics import r2_score

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算R2评估指标
r2 = r2_score(y_test, y_pred)

其中，y_test为测试集的真实值，y_pred为模型在测试集上的预测值。R2评估指标的取值范围为[0,1]，越接近1表示模型的预测效果越好。