帮我修改以下这段代码，要求加入直接展现出预测结果，预测结果包括'经验要求‘，‘文凭要求','薪资待遇_平均月薪',代码如下阶段三 数据分析 df = pd.read_excel(file_name) data___=pd.read_excel(file_name)#取了一个应该不会重复的名字 data__ = data___.loc[:, ['经验要求', '文凭要求', '薪资待遇_平均月薪']]#把这里改成df # 对于分类变量，使用LabelEncoder转换 le = LabelEncoder() # 用了这四个指标预测 data__['经验要求'] = le.fit_transform(data__['经验要求']) data__['文凭要求'] = le.fit_transform(data__['文凭要求']) # data['公司性质'] = le.fit_transform(data['公司性质']) # data['规模'] = le.fit_transform(data['规模']) # 将数据分为特征X和目标y X = data__.drop('薪资待遇_平均月薪', axis=1) y = data__['薪资待遇_平均月薪'] # 将数据分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练线性回归模型 reg = LinearRegression().fit(X_train, y_train) # 使用模型进行预测 y_pred = reg.predict(X_test) data___['预测薪资待遇_平均月薪'] = reg.predict(X) # 计算均方误差 mse = mean_squared_error(y_test, y_pred) # 这个改成文件夹路径 data___.to_excel('深圳2023年求职信息预测.xlsx') print("MSE: ", mse) del df['Unnamed: 0'] del df['公司性质_规模'] print(df.info())

你可以将以下代码添加到原代码末尾，以展示预测结果：

# 展示预测结果
predictions = pd.DataFrame({'经验要求': X['经验要求'], '文凭要求': X['文凭要求'], '薪资待遇_平均月薪': y, '预测薪资待遇_平均月薪': data___['预测薪资待遇_平均月薪']})
print(predictions)

此代码将预测结果保存在一个名为predictions的DataFrame中，然后打印出来展示预测结果。

相关问题

在python中帮我优化下面的代码，要求最后输出的结果格式对齐，并且文凭一列为中文字符

可以使用 Python 内置的字符串格式化功能，以及 Pandas 库提供的格式化输出函数来优化这段代码，使得最终输出结果对齐并且文凭一列为中文字符。具体实现方法如下：

import pandas as pd

# 读取数据
data = pd.read_csv('data.csv')

# 使用字典将英文文凭名称映射为中文名称
degree_map = {
    'Bachelor':'学士',
    'Master':'硕士',
    'PhD':'博士'
}

# 将英文文凭名称替换为中文名称
data['文凭要求'] = data['文凭要求'].map(degree_map)

# 输出预测结果
print('{:<10s}{:<5s}{:<10s}{:<5s}'.format('姓名', '年龄', '分数', '学位'))
print('=' * 35)
for i in range(len(data)):
    name = data.iloc[i]['姓名']
    age = str(data.iloc[i]['年龄'])
    score = str(data.iloc[i]['薪资待遇_平均月薪'])
    degree = data.iloc[i]['文凭要求']
    print('{:<10s}{:<5s}{:<10s}{:<5s}'.format(name, age, score, degree))

以上代码首先使用 Pandas 库读取数据，并使用字典将英文文凭名称映射为中文名称。然后，使用字符串格式化功能将输出结果对齐，并将文凭一列的英文名称替换为中文名称。最后，遍历数据集并按照指定格式输出预测结果。

其中，`'{:<10s}{:<5s}{:<10s}{:<5s}'.format('姓名', '年龄', '分数', '学位')` 表示输出标题行，使用`{:<10s}` 和 `{:<5s}` 来对齐输出结果。`'{:<10s}{:<5s}{:<10s}{:<5s}'.format(name, age, score, degree)` 表示输出每一行数据，同样使用 `{:<10s}` 和 `{:<5s}` 来对齐输出结果。其中，`name`、`age`、`score` 和 `degree` 分别表示数据集中的姓名、年龄、分数和文凭名称。

将以上我给你的两个代码合二为一，最后进行整合优化，然后要求最后输出结果对齐，文凭一列输出结果为中文字符

以下是将您提供的两段代码合并并进行整合优化的示例代码：

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 读取Excel文件，将数据存储为DataFrame格式
df = pd.read_excel('数据.xlsx')

# 对DataFrame进行预处理
df = df.dropna()  # 删除缺失值
df = df.drop(['公司性质_规模'], axis=1)  # 删除无用列

# 对分类变量进行编码转换
le = LabelEncoder()
df['经验要求'] = le.fit_transform(df['经验要求'])
df['文凭要求'] = le.fit_transform(df['文凭要求'])

# 将数据分为特征X和目标y
X = df[['经验要求', '文凭要求']]
y = df['薪资待遇_平均月薪']

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练线性回归模型
reg = LinearRegression().fit(X_train, y_train)

# 使用模型进行预测
y_pred = reg.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)

# 对整个数据集进行预测
df['预测薪资待遇_平均月薪'] = reg.predict(X)

# 将预测结果保存到Excel文件中
df.to_excel('深圳2023年求职信息预测.xlsx', index=False)

# 输出预测结果
print("预测结果：")
print("===============================")
print("姓名\t年龄\t分数\t学位")
for i in range(len(df)):
    print("{name}\t{age}\t{score}\t{degree}".format(
        name=df.iloc[i]['姓名'],
        age=df.iloc[i]['年龄'],
        score=df.iloc[i]['薪资待遇_平均月薪'],
        degree=df.iloc[i]['文凭要求']
    ))

这段代码首先读取Excel文件，并进行了预处理，包括删除缺失值和无用列，以及对分类变量进行编码转换。然后将数据分为特征X和目标y，并将数据集划分为训练集和测试集。接着训练线性回归模型，并使用模型预测测试集和整个数据集的结果。最后，将预测结果保存到Excel文件中，并输出预测结果。

为了使输出结果对齐整齐，我们使用了制表符`\t`作为分隔符。同时，我们将"文凭要求"这一列的表头改为了中文字符"学位"。输出结果的格式类似于表格，可以更清晰地展示预测结果。

需要注意的是，如果您的Excel文件中存在多个工作表，可以使用`pd.read_excel`函数的`sheet_name`参数指定要读取的工作表。同时，在输出预测结果时，我们使用了DataFrame对象的`iloc`属性进行索引，这样可以更方便地获取每个数据的值。