python爬取电商或房屋价格，利用scikiit-learn线性回归进行预测，通过matplotlib显示预测结果，评估当前数据并得到分数

在Python中，如果你想要爬取电商或房屋价格的数据，并使用scikit-learn库进行线性回归分析预测价格，你可以按照以下步骤操作：

1. **数据获取**：
- 使用`requests`和`BeautifulSoup`等库爬取网站数据。对于电商网站，比如淘宝或京东的商品列表价格；对于房屋信息，如Zillow或链家网上的房源数据。

   import requests
   from bs4 import BeautifulSoup

   url = "https://example.com/prices"  # 需要替换为你实际的目标网址
   response = requests.get(url)
   soup = BeautifulSoup(response.text, 'html.parser')
   prices = [float(price_text) for price_text in soup.find_all('span', class_='price')]

2. **数据清洗与预处理**：
清洗提取出的数据，例如去除缺失值、异常值，以及对数值进行归一化处理，如果需要的话。

   from sklearn.preprocessing import StandardScaler

   prices_data = [[...], ...]  # 爬到的价格数据
   scaler = StandardScaler()
   scaled_prices = scaler.fit_transform(prices_data)

3. **创建模型**：
使用`sklearn.linear_model.LinearRegression`创建线性回归模型。

   from sklearn.linear_model import LinearRegression

   model = LinearRegression()
   model.fit(X=scaled_prices, y=prices)

4. **预测与可视化**：
对新的数据进行预测，并使用`matplotlib`展示预测结果。

   import matplotlib.pyplot as plt

   new_data = ...  # 新的数据点
   new_scaled_data = scaler.transform(new_data)

   predictions = model.predict(new_scaled_data)
   plt.scatter(prices, predictions)
   plt.xlabel('实际价格')
   plt.ylabel('预测价格')
   plt.show()

5. **模型评估**：
使用如R^2得分、均方误差（MSE）或平均绝对误差（MAE）等指标来评估模型性能。

   from sklearn.metrics import mean_squared_error, r2_score

   y_pred = model.predict(scaled_prices)
   mse = mean_squared_error(prices, y_pred)
   r2 = r2_score(prices, y_pred)

   print(f"MSE: {mse}")
   print(f"R² Score: {r2}")