（1）读取“income_tax.csv”数据，设置数据的索引为year（年份），存储至名为“data”的数据框中。（2分） （2）提取字段“x1”到字段“x10”的所有数据作为特征数据，存为“new_data”，基于皮尔逊相关系数计算每个特征之间的相关系数，将数值保留2位小数，并打印输出查看相关系数矩阵。（4分） （3）导入Lasso回归函数进行特征筛选，λ参数值为10000000000，存为“lasso”，输出查看x1-x10特征数据与y的相关系数值，并找出相关系数为非0的特征，合并字段“y”（企业所得税），结果存为“new_reg_data”。（6分） （4）计算new_reg_data变量的平均数存为“data_mean”，计算new_reg_data变量的标准差存为“data_std”，基于标准差标准化计算公式对new_reg_data数据进行处理，结果存为“new_data_std”。（4分） （5）提取new_data_std数据中的特征数据和标签数据，分别存为“x”和“y”，导入LinearSVR函数构建SVR模型（random_state参数值为123），存为“svr”，输入x和y进行模型训练，并预测2004年-2015年的企业所得税（需转换为原数据）。（6分） （6）进行模型评估，计算并打印模型的R方值。（3分）

好的，让我们一步步来实现你的需求。

（1）读取“income_tax.csv”数据，设置数据的索引为year（年份），存储至名为“data”的数据框中。（2分）

代码示例：

import pandas as pd

# 读取数据文件
data = pd.read_csv('income_tax.csv')

# 设置数据索引为“year”
data = data.set_index('year')

（2）提取字段“x1”到字段“x10”的所有数据作为特征数据，存为“new_data”，基于皮尔逊相关系数计算每个特征之间的相关系数，将数值保留2位小数，并打印输出查看相关系数矩阵。（4分）

代码示例：

import numpy as np

# 提取特征数据
new_data = data.loc[:, 'x1':'x10']

# 计算相关系数矩阵
corr_matrix = np.round(new_data.corr(method='pearson'), 2)

# 打印相关系数矩阵
print(corr_matrix)

（3）导入Lasso回归函数进行特征筛选，λ参数值为10000000000，存为“lasso”，输出查看x1-x10特征数据与y的相关系数值，并找出相关系数为非0的特征，合并字段“y”（企业所得税），结果存为“new_reg_data”。（6分）

代码示例：

from sklearn.linear_model import Lasso

# 提取特征数据和标签数据
X = new_data.values
y = data['y'].values

# 构建Lasso回归模型
lasso = Lasso(alpha=10000000000)

# 拟合模型并输出相关系数
lasso.fit(X, y)
coef = np.round(lasso.coef_, 2)
print('特征系数为：\n', coef)

# 找出相关系数为非0的特征
features = ['x' + str(i) for i in range(1, 11) if coef[i-1] != 0]

# 合并特征数据和标签数据
features.append('y')
new_reg_data = data.loc[:, features]

（4）计算new_reg_data变量的平均数存为“data_mean”，计算new_reg_data变量的标准差存为“data_std”，基于标准差标准化计算公式对new_reg_data数据进行处理，结果存为“new_data_std”。（4分）

代码示例：

from sklearn.preprocessing import StandardScaler

# 计算平均数和标准差
data_mean = new_reg_data.mean()
data_std = new_reg_data.std()

# 标准化处理数据
scaler = StandardScaler()
new_data_std = scaler.fit_transform(new_reg_data)

# 将标准化后的数据转换为DataFrame格式
new_data_std = pd.DataFrame(new_data_std, columns=new_reg_data.columns)

（5）提取new_data_std数据中的特征数据和标签数据，分别存为“x”和“y”，导入LinearSVR函数构建SVR模型（random_state参数值为123），存为“svr”，输入x和y进行模型训练，并预测2004年-2015年的企业所得税（需转换为原数据）。（6分）

代码示例：

from sklearn.svm import LinearSVR

# 提取特征数据和标签数据
x = new_data_std.loc[:, 'x1':'x10']
y = new_data_std['y']

# 构建SVR模型
svr = LinearSVR(random_state=123)

# 拟合模型
svr.fit(x, y)

# 预测2004-2015年的企业所得税
x_pred = new_data_std.loc['2004':'2015', 'x1':'x10']
y_pred = svr.predict(x_pred)

# 将标准化后的数据转换为原数据
y_pred = y_pred * data_std['y'] + data_mean['y']

（6）进行模型评估，计算并打印模型的R方值。（3分）

代码示例：

from sklearn.metrics import r2_score

# 计算模型的R方值
y_true = data.loc['2004':'2015', 'y'].values
r2 = r2_score(y_true, y_pred)
print('模型的R方值为：', r2)