用新版anaconda运行波士顿房价预测，按照机器学习工作流程完成（五个步骤：获取数据，数据预处理，特征工程 的完整代码 机器学习，模型评估。

要在 Anaconda 中使用新版环境完成波士顿房价预测项目，我们将遵循以下五个步骤：

1. **安装必要的库**:
首先确保你已经安装了 Anaconda 并激活了 Python 3.x 版本。然后安装所需的库，如 pandas、numpy、matplotlib 和 scikit-learn：

conda install -c conda-forge pandas numpy matplotlib scikit-learn statsmodels

2. **加载数据**:
使用 `pandas` 导入 Boston 房价数据集（可以从 sklearn.datasets 获取）：

import pandas as pd
from sklearn.datasets import load_boston

boston = load_boston()
df_boston = pd.DataFrame(boston.data, columns=boston.feature_names)
df_boston['PRICE'] = boston.target

3. **数据预处理**:
- 查看数据前几行以了解数据结构：

print(df_boston.head())

- 检查缺失值并进行处理（Boston 数据集通常没有缺失值，如果有则填充或删除）：

df_boston.isnull().sum()

- 可能还需要标准化或归一化数值特征，以便所有特征在同一尺度上：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
df_boston[numerical_features] = scaler.fit_transform(df_boston[numerical_features])

4. **特征工程**:
根据业务理解选择和创建新特征，如果有必要。在这个例子中，我们可能不需要额外特征，因为 Boston 数据集已经包含基本的住房统计数据。

5. **模型评估**:
- 划分数据集为训练集和测试集：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df_boston.drop('PRICE', axis=1), df_boston['PRICE'], test_size=0.2, random_state=42)

- 选择模型，比如线性回归：

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

- 预测并计算性能指标：

y_pred = model.predict(X_test)
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("MSE:", mse, "R^2 Score:", r2)