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train_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，我理解了您的要求。以下是一个简单的代码示例，用于训练一个线性回归模型并预测微型车的售价：

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

# 读取数据集
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']

# 选择特征和目标字段
X = data[['power', 'kilometer', 'v_0', 'v_3', 'v_8']]
y = data['price']

# 划分训练集和测试集，random_state参数设置为您的学号后4位
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

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

# 评估模型表现
score = r2_score(y_test, y_pred)
print('R2 score:', score)

在这个例子中，我们首先读取train_price.csv数据集，并筛选出车身类型为“微型车”的样本。然后我们选择了一些特征作为模型的输入，包括汽车的功率、行驶里程、车速和车辆参数等。我们选择线性回归模型作为算法模型，并使用train_test_split方法将数据集划分成训练集和测试集。在训练集上训练模型后，我们使用模型对测试集进行预测，并使用R2评估模型的表现。其中，random_state参数设置为您的学号后4位。