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；

好的，根据您的要求，我可以为您提供一个简单的实现，具体如下：

1. 预测模型选择

我们选择使用随机森林算法进行预测。随机森林是一种集成学习算法，它能够利用多棵决策树对数据进行拟合并预测。随机森林具有天然的特征选择和降维效果，能够处理高维、复杂的数据，同时具有较好的泛化能力。

2. 训练集和测试集的划分

我们可以使用sklearn库中的train_test_split方法将train_price.csv划分成训练样本和测试样本。在划分过程中，我们将random_state参数设置为您的学号后四位。

from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_csv("train_price.csv", encoding="gbk")

# 筛选微型车样本
data = data[data["bodyType"] == "微型车"]

# 划分数据集
train_data, test_data = train_test_split(data, test_size=0.3, random_state=1234)

3. 筛选样本

根据您的要求，我们只需要筛选训练样本中车身类型（bodyType字段）为“微型车”的样本进行训练。在上面的代码中，我们首先读取整个数据集，然后筛选出车身类型为微型车的样本。接着，我们将数据集划分为训练集和测试集。

4. 模型训练与评估

在模型训练过程中，我们需要选择合适的特征作为模型的输入变量，并将价格（price）作为模型的输出变量。在本例中，我们选择使用车龄（age）、公里数（kilometer）、排量（power）和变速器（gearbox）等特征作为输入变量。

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score

# 特征选择
features = ["age", "kilometer", "power", "gearbox"]

# 建立随机森林回归模型
model = RandomForestRegressor(n_estimators=100, max_depth=10, random_state=1234)

# 模型训练
model.fit(train_data[features], train_data["price"])

# 模型预测
pred = model.predict(test_data[features])

# 模型评估
score = r2_score(test_data["price"], pred)
print("R2 Score:", score)

在上面的代码中，我们使用随机森林回归模型进行训练，并使用测试集进行模型预测和评估。在评估过程中，我们使用R2指标来评估模型的预测效果。运行上面的代码后，您将会得到模型在测试集上的R2得分。

希望以上代码可以为您提供一些帮助。如果您有任何问题或需要更多帮助，请随时告诉我。