r语言分析MASS包中的Boston数据集。 （1）利用LASSO、MCP和SCAD这3种惩罚方法分析找出影响房屋价格medv的因素，比较一下这些方法找出的影响因素。 （2）比较LASSO方法与逐步回归方法筛选出来的结果。

首先，我们需要导入Boston数据集和MASS包，并对数据进行预处理：

# 导入MASS包和Boston数据集
library(MASS)
data(Boston)

# 对数据进行预处理
Boston$chas <- as.factor(Boston$chas) # 将chas变量转换为因子变量
Boston$medv <- log(Boston$medv) # 对medv取对数，以满足正态分布假设

接下来，我们可以使用LASSO、MCP和SCAD三种惩罚方法进行特征选择，并比较它们找出的影响因素。

# 导入glmnet包
library(glmnet)

# 将数据集分为训练集和测试集
set.seed(123)
train_index <- sample(1:nrow(Boston), 0.7*nrow(Boston))
train_data <- Boston[train_index,]
test_data <- Boston[-train_index,]

# 使用LASSO方法进行特征选择
fit_lasso <- cv.glmnet(as.matrix(train_data[,-14]), train_data$medv, alpha=1, nfolds=10)
plot(fit_lasso)
coef(fit_lasso, s=fit_lasso$lambda.min)

# 使用MCP方法进行特征选择
fit_mcp <- cv.glmnet(as.matrix(train_data[,-14]), train_data$medv, alpha=0.1, nfolds=10)
plot(fit_mcp)
coef(fit_mcp, s=fit_mcp$lambda.min)

# 使用SCAD方法进行特征选择
fit_scad <- cv.glmnet(as.matrix(train_data[,-14]), train_data$medv, alpha=0.5, nfolds=10)
plot(fit_scad)
coef(fit_scad, s=fit_scad$lambda.min)

上述代码中，我们使用LASSO、MCP和SCAD三种方法分别进行特征选择，并输出每种方法找出的影响因素。其中，`cv.glmnet`函数用于进行交叉验证，确定最优的正则化参数lambda。

接下来，我们可以将LASSO方法和逐步回归方法进行比较，查看它们找出的影响因素是否一致。

# 使用逐步回归方法进行特征选择
step_fit <- stepAIC(lm(medv~., data=train_data), direction="both", trace=FALSE)
summary(step_fit)

# 比较LASSO方法和逐步回归方法找出的影响因素
coef(fit_lasso, s=fit_lasso$lambda.min)
coef(step_fit)

上述代码中，我们使用`stepAIC`函数进行逐步回归，找出对medv有显著影响的变量。然后，我们将LASSO方法和逐步回归方法找出的影响因素进行比较，查看它们是否一致。

综上所述，我们可以利用LASSO、MCP和SCAD三种惩罚方法分析Boston数据集，找出影响房屋价格medv的因素，并比较它们找出的影响因素。此外，我们还可以将LASSO方法和逐步回归方法进行比较，查看它们找出的影响因素是否一致。