根据给定的数据集编写代码：根据广告数量预测汽车销量。 要求： （1）使用sklearn完成模型的构建 （2）完成对新样本（投入广告数量6）的预测 （3）使用matplotlib库的scatter函数将样本点在坐标系中显示；并使用plot函数画出回归线。

首先，为了根据广告数量预测汽车销量，我们可以按照以下步骤使用Python和Scikit-learn库：

1. 导入所需的库：

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

2. 加载数据集并预处理（这里假设我们有一个名为'data.csv'的CSV文件）：

data = pd.read_csv('data.csv')
X = data['advertising_quantity']  # 输入特征：广告数量
y = data['car_sales']  # 输出特征：汽车销量

# 数据分割（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

3. 构建线性回归模型并拟合数据：

model = LinearRegression()
model.fit(X_train.reshape(-1, 1), y_train)  # 由于输入是数值型而非向量，需要 reshape(1)

4. 预测新的广告数量对应的汽车销量：

new_advertisement = 6
prediction = model.predict([[new_advertisement]])
print(f"预测汽车销量：{prediction[0]}")

5. 绘制散点图和回归线：

plt.scatter(X_train, y_train, label='Training Data', color='blue')
plt.plot(X_train, model.predict(X_train.reshape(-1, 1)), color='red', linewidth=2, label='Regression Line')

# 新样本预测点
x_new = np.array([new_advertisement]).reshape(-1, 1)
plt.scatter(x_new, prediction, marker='o', color='green', label='New Prediction')

plt.xlabel('Advertising Quantity')
plt.ylabel('Car Sales')
plt.legend()
plt.show()

在这个过程中，我们首先导入必要的库，加载数据，并将其分为训练集和测试集。接着，我们创建一个线性回归模型，用训练数据拟合它，然后进行新样本的预测。最后，我们绘制了一个包含训练数据、回归线以及新样本预测点的散点图。