数据表中数据有面积，厅，室，地区，价格，并且数据类型是object,处理导入的数据转换成独热编码，书写随机森林进行预测房租的价格的python代码，输入房屋的面积，厅，室，地区的数据，计算模型的平均绝对误差

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

# 读取数据
data = pd.read_csv('data.csv')

# 将厅、室、地区进行独热编码
le = LabelEncoder()
data['厅'] = le.fit_transform(data['厅'])
data['室'] = le.fit_transform(data['室'])
data['地区'] = le.fit_transform(data['地区'])

onehot_encoder = OneHotEncoder(sparse=False)
onehot_encoded = onehot_encoder.fit_transform(data[['厅', '室', '地区']])

# 将独热编码后的数据合并到原数据表中
onehot_encoded_df = pd.DataFrame(onehot_encoded, columns=['厅0', '厅1', '厅2', '室0', '室1', '室2', '地区0', '地区1', '地区2', '地区3'])
data = pd.concat([data, onehot_encoded_df], axis=1)

# 处理数据类型
data['面积'] = pd.to_numeric(data['面积'])
data['价格'] = pd.to_numeric(data['价格'])

# 定义特征和目标变量
X = data[['面积', '厅0', '厅1', '厅2', '室0', '室1', '室2', '地区0', '地区1', '地区2', '地区3']]
y = data['价格']

# 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)

# 建立随机森林模型
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# 预测测试集
y_pred = rf.predict(X_test)

# 计算模型的平均绝对误差
mae = mean_absolute_error(y_test, y_pred)
print('模型的平均绝对误差为：', mae)

# 输入房屋的面积、厅、室、地区的数据进行预测
area = 70
ting = 1
shi = 2
diqu = '朝阳区'

ting_encoded = onehot_encoder.transform(le.transform([ting]).reshape(-1, 1))
shi_encoded = onehot_encoder.transform(le.transform([shi]).reshape(-1, 1))
diqu_encoded = onehot_encoder.transform(le.transform([diqu]).reshape(-1, 1))

input_data = [area] + list(ting_encoded[0]) + list(shi_encoded[0]) + list(diqu_encoded[0])
input_data = [input_data]

predicted_price = rf.predict(input_data)
print('预测的价格为：', predicted_price[0])