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，你需要安装必要的Python库，包括pandas、numpy、scikit-learn以及matplotlib。如果你还没有安装，可以使用pip进行安装：

pip install pandas numpy scikit-learn matplotlib

接下来，假设你的数据集是一个CSV文件，包含两列：广告数量(advertisement)和汽车销量(car_sales)。我们可以按照以下步骤来创建模型并进行预测：

1. **加载数据**:

import pandas as pd

data = pd.read_csv('car_sales_data.csv')  # 假设文件名为car_sales_data.csv
X = data['advertisement']
y = data['car_sales']

2. **数据预处理**:

由于这通常是分类任务，我们通常需要先将目标变量编码为数值形式。例如，使用LabelEncoder：

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(y)

3. **拆分训练集和测试集**:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **选择模型（这里使用线性回归作为示例）**:

from sklearn.linear_model import LinearRegression

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

5. **新样本预测**:

对于广告数量为6的新样本，你可以这样预测销量：

new_advertisement = [6]
prediction = model.predict(new_advertisement)
predicted_sales = le.inverse_transform(prediction)
print(f"预测的汽车销量为: {predicted_sales[0]}")

6. **可视化结果**:

import matplotlib.pyplot as plt

plt.scatter(X_train, y_train, label='Training Data')
plt.plot(X_test, model.predict(X_test), color='red', linewidth=3, label='Regression Line')
plt.scatter(new_advertisement, predicted_sales, color='green', marker='*', label='Prediction')
plt.xlabel('Advertising Quantity')
plt.ylabel('Car Sales')
plt.legend()
plt.show()

这就是一个基本的例子，实际应用中可能需要调整参数、特征工程等步骤以提高模型性能。