使用上诉的数据集训练线性回归模型，并将模型绘制成图形

首先，你需要安装必要的库，如matplotlib用于绘制图表，sklearn用于训练线性回归模型。假设我们的数据集中有“age”特征与“salary”（或其他数值目标变量）相关。

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 加载数据集
df = pd.read_csv('data.csv')

# 检查数据是否有缺失值
print(df.isnull().sum())

# 将'city'列转换为哑变量（仅为了演示，因为在这里它不是连续的）
df = pd.get_dummies(df, columns=['city'])

# 定义目标变量和特征变量
X = df.drop('salary', axis=1)
y = df['salary']

# 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)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 绘制预测结果和实际值
plt.scatter(y_test, y_pred, color='blue')
plt.plot(y_test, y_test, color='red', linestyle='dashed')
plt.xlabel('实际值')
plt.ylabel('预测值')
plt.title('线性回归模型预测')
plt.show()

以上代码会创建一个简单的线性回归模型，并用真实值和预测值做散点图展示。线性回归模型假设"age"和"salary"之间存在线性关系。