深圳房价预测并完成以下作业：Numpy数组数据；Pandas数据分析 ；Matplotlib可视化；sklearn机器学习算法；结果总结分析。写出代码

首先，我们需要收集深圳房价数据，然后进行数据分析和建模。以下是一个简单的示例代码，使用NumPy、Pandas、Matplotlib和Scikit-learn库：

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

# 加载数据
data = pd.read_csv('shenzhen_housing.csv')

# 数据预处理
data.dropna(inplace=True)
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values.reshape(-1, 1)

# 数据可视化
plt.scatter(X, y, color='blue')
plt.title('Shenzhen Housing Prices')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 线性回归模型
regressor = LinearRegression()
regressor.fit(X_train, y_train)

# 训练集结果可视化
plt.scatter(X_train, y_train, color='blue')
plt.plot(X_train, regressor.predict(X_train), color='red')
plt.title('Shenzhen Housing Prices')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()

# 测试集结果可视化
plt.scatter(X_test, y_test, color='blue')
plt.plot(X_train, regressor.predict(X_train), color='red')
plt.title('Shenzhen Housing Prices')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()

# 模型评估
y_pred = regressor.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
print('MSE:', mse)
print('RMSE:', rmse)

上述代码中，我们首先加载数据，然后进行数据预处理和可视化。接着，我们将数据分成训练集和测试集，并使用线性回归模型训练数据。最后，我们使用测试集评估模型，并计算均方误差和均方根误差。

通过以上步骤，我们可以对深圳房价进行预测，并得到预测结果的准确度评估。