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； 使用tran_test_split方法将train_price.csv划分成训练样本和测试样本 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； 用R2评估模型在测试样本上的效果 - sklearn.metrics.r2_score；具体代码

好的，以下是一个简单的Python代码示例，用于训练一个预测微型车售价的模型，并使用R2评估模型在测试样本上的表现：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

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

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

# 选择特征和目标变量
X = data[['power', 'kilometer']]  # 特征
y = data['price']  # 目标变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立线性回归模型
model = LinearRegression()

# 在训练集上训练模型
model.fit(X_train, y_train)

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

# 计算R2得分
r2 = r2_score(y_test, y_pred)

print("模型在测试集上的R2得分为: ", r2)

在这个示例中，我们首先使用Pandas库读取train_price.csv文件，并筛选出车身类型为“微型车”的样本。然后，我们选择“功率”（power）和“公里数”（kilometer）这两个特征作为模型的输入变量，选择“价格”（price）作为模型的输出变量。接下来，我们使用train_test_split函数将数据集划分成训练集和测试集，其中测试集的大小为20%。然后，我们建立一个线性回归模型，并在训练集上进行训练。最后，我们在测试集上进行预测，并使用r2_score函数计算模型在测试集上的R2得分，用于评估模型的表现。