我有一个Excel表格，内容为土壤提取液的EEM的一个39*30矩阵，目标值是抗生素的降解率，根据我的数据进行机器学习的预测，并且我需要把EEM矩阵中对降解率起到关键作用的荧光强度参数进行提取，我需要一个机器学习的Python代码进行实现，

为了实现你的需求，我们可以使用Python的Scikit-Learn库来进行机器学习模型训练，以及Pandas处理Excel数据。首先，你需要安装必要的库，如pandas、numpy和sklearn等。这里是一个简单的例子，假设你的数据已经加载到DataFrame `df` 中，其中一列是EEM矩阵，另一列是目标值（抗生素降解率）。我们将使用线性回归作为示例，但你可以根据需要选择其他算法。

# 导入所需的库
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import SelectKBest, f_regression

# 加载并预处理数据
df = pd.read_excel('your_file.xlsx')  # 替换 'your_file.xlsx' 为你的文件路径
X = df.iloc[:, :-1]  # EEM矩阵（所有列除了最后一列）
y = df.iloc[:, -1]   # 目标值（抗生素降解率）

# 划分特征和目标变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用SelectKBest选择关键特征
selector = SelectKBest(f_regression, k=5)  # 选择5个最佳特征
X_new_train = selector.fit_transform(X_train, y_train)
X_new_test = selector.transform(X_test)

# 创建线性回归模型
model = LinearRegression()
model.fit(X_new_train, y_train)

# 预测
y_pred = model.predict(X_new_test)

# 评估模型性能
score = model.score(X_new_test, y_test)
print("模型得分:", score)

#