1. 简介

1.1 项目目标

本项目的核心目标是基于提供的 CarResale.csv 数据集，构建一个线性回归（Linear Regression）模型，以预测二手车的销售价格。项目将严格遵循数据科学的工作流程，包括环境配置、数据探索、预处理、模型训练及性能评估。

1.2 技术栈

• 编程语言: Python 3.x
• 核心库:
  • Pandas: 用于数据处理和I/O操作（如读取CSV文件）。
  • NumPy: 用于进行科学计算和数值操作。
  • Matplotlib & Seaborn: 用于数据可视化。
  • Scikit-learn: 用于实现机器学习算法，包括数据划分、特征工程、模型训练和评估。
• 开发环境: Jupyter Notebook 或 Visual Studio Code (内置Jupyter支持)。

1.3 数据源

• 文件: CarResale.csv
• 描述: 该文件包含了二手车的多种属性，如制造年份、行驶里程、燃料类型、车主类型以及最终的销售价格。selling_price是我们的目标预测变量。

1.4 方法论

本项目将遵循以下标准流程：

1. 环境配置: 搭建支持项目运行的Python环境。
2. 数据加载与探索性分析 (EDA): 导入数据集，审查其结构、统计摘要和数据类型。
3. 数据清洗与预处理: 处理缺失值（如有）、重复数据及不一致性。
4. 数据可视化: 通过图表深入理解数据特征及其与目标变量的关系。
5. 特征工程与数据准备: 对数据进行转换，使其适用于机器学习模型。包括独热编码、训练集/测试集划分和特征缩放。
6. 模型构建与评估: 训练线性回归模型，进行预测，并使用标准回归指标评估其性能。

---

2. 环境配置

为确保代码的可复现性，请严格遵循以下步骤配置开发环境。

2.1 Python 安装

• Windows:

  1. 访问 Python官网 下载最新稳定版本。
  2. 启动安装程序，在初始界面必须勾选 Add Python to PATH 选项。
  3. 选择 Install Now 进行默认安装。

• macOS:

  1. 推荐使用 Homebrew 包管理器进行安装。打开终端(Terminal)。

  2. 安装Homebrew (如果尚未安装):

     /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
     

  3. 使用Homebrew安装Python:

     brew install python3
     

2.2 IDE 配置 (Visual Studio Code)

1. 从 VS Code官网 下载并安装。
2. 在VS Code中，打开**扩展(Extensions)**面板，搜索并安装以下插件：
   • Python (Publisher: Microsoft)
   • Jupyter (Publisher: Microsoft)

2.3 依赖库安装

• Windows: 打开命令提示符(CMD)或PowerShell，执行以下命令：

  pip install pandas matplotlib seaborn scikit-learn jupyter
  

• macOS: 打开终端(Terminal)，执行以下命令：

  pip3 install pandas matplotlib seaborn scikit-learn jupyter
  

---

3. 项目文件结构

请在本地计算机上创建如下目录结构，并将相应文件置于其中。

/YourProjectFolder/
|-- CarResale.csv
|-- Car_Price_Prediction.ipynb

---

4. 项目实施流程

请在VS Code中打开 Car_Price_Prediction.ipynb 文件，并按顺序执行以下代码单元格。

4.1 数据加载与初始化

单元格 1: 导入库

• 目的: 加载本项目所需的所有Python库。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import RFE
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

# 设置图表样式
sns.set(style="whitegrid")
plt.style.use('seaborn-v0_8-whitegrid')

单元格 2: 加载数据集

• 目的: 使用Pandas库将 CarResale.csv 文件读入一个DataFrame对象中，为后续分析做准备。

# 读取CSV文件
df = pd.read_csv('CarResale.csv')

4.2 探索性数据分析 (EDA)

单元格 3: 预览数据

• 目的: 显示数据集的前5行，以快速了解数据结构、列名和数据样本。

df.head()

单元格 4: 描述性统计

• 目的: 生成数值型列的描述性统计数据，包括计数、均值、标准差、最小值、四分位数和最大值，以评估数据分布和量纲。

df.describe()

单元格 5: 数据集信息

• 目的: 输出DataFrame的摘要信息，包括列的数据类型、非空值的数量和内存使用情况。这是检查数据完整性和数据类型正确性的关键步骤。

df.info()

4.3 数据清洗

单元格 6: 检查并处理重复值

• 目的: 识别并移除数据集中的完全重复行，以避免模型训练偏差。

print(f"重复行数量: {df.duplicated().sum()}")
df = df.drop_duplicates()
print(f"删除重复行后，数据集大小: {df.shape}")

4.4 数据可视化

单元格 7: 目标变量分布

• 目的: 绘制目标变量 selling_price 的直方图，以评估其分布形态（如正态性、偏度）。

plt.figure(figsize=(10, 6))
sns.histplot(df['selling_price'], bins=50, kde=True)
plt.title('二手车售价分布')
plt.xlabel('售价 (Selling Price)')
plt.ylabel('频数 (Frequency)')
plt.show()

单元格 8: 分类特征分布

• 目的: 使用计数图展示 fuel 列中各类别的频数，以了解不同燃料类型汽车的构成比例。

plt.figure(figsize=(8, 5))
sns.countplot(x='fuel', data=df)
plt.title('不同燃料类型的汽车数量')
plt.xlabel('燃料类型 (Fuel Type)')
plt.ylabel('数量 (Count)')
plt.show()

单元格 9: 双变量关系散点图

• 目的: 通过散点图可视化关键数值特征 (km_driven, brake_horsepower) 与目标变量 selling_price 之间的关系，以初步判断其线性相关性。

plt.figure(figsize=(14, 6))

plt.subplot(1, 2, 1)
sns.scatterplot(x='km_driven', y='selling_price', data=df, alpha=0.5)
plt.title('售价 vs. 行驶里程')
plt.xlabel('行驶里程 (km)')
plt.ylabel('售价')

plt.subplot(1, 2, 2)
sns.scatterplot(x='brake_horsepower', y='selling_price', data=df, alpha=0.5)
plt.title('售价 vs. 马力')
plt.xlabel('马力 (BHP)')
plt.ylabel('售价')

plt.tight_layout()
plt.show()

单元格 10: 相关性热力图

• 目的: 计算并可视化数值特征之间的皮尔逊相关系数矩阵。这有助于识别多重共线性以及与目标变量最相关的特征。

plt.figure(figsize=(12, 10))
correlation_matrix = df.corr(numeric_only=True)
sns.heatmap(correlation_matrix, annot=True, fmt=".2f", cmap='coolwarm')
plt.title('特征相关性热力图')
plt.show()

4.5 特征工程与数据准备

单元格 11: 特征与目标分离及独热编码

• 目的: 将数据集划分为特征矩阵 X 和目标向量 y。同时，将 X 中的分类文本数据通过独热编码转换为模型可处理的数值格式。

# 分离特征 (X) 和目标变量 (y)
X = df.drop('selling_price', axis=1)
y = df['selling_price']

# 识别分类变量
categorical_cols = X.select_dtypes(include=['object']).columns

# 对分类特征进行独热编码
X_encoded = pd.get_dummies(X, columns=categorical_cols, drop_first=True)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_encoded, y, test_size=0.2, random_state=42)

X_train.head()

单元格 12: 特征缩放

• 目的: 对特征数据进行标准化处理，使其均值为0，方差为1。此步骤对于线性回归等基于距离或梯度的算法至关重要。

scaler = StandardScaler()

X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

单元格 13: 特征选择

• 目的: 使用递归特征消除（RFE）方法，从所有特征中筛选出对预测目标变量最重要的10个特征，以降低模型复杂度和潜在的过拟合风险。

model_for_rfe = LinearRegression()

selector = RFE(model_for_rfe, n_features_to_select=10)
selector = selector.fit(X_train_scaled, y_train)

selected_features_mask = selector.support_
selected_features = X_encoded.columns[selected_features_mask]
print(f"RFE选择出的10个最重要的特征是:\n{list(selected_features)}")

X_train_selected = selector.transform(X_train_scaled)
X_test_selected = selector.transform(X_test_scaled)

4.6 模型训练与评估

单元格 14: 模型训练与性能评估

• 目的: 初始化线性回归模型，使用处理后的训练数据对其进行训练，然后在测试集上进行预测，并计算评估指标（MAE, MSE, RMSE, R²）来量化模型性能。

lr_model = LinearRegression()
lr_model.fit(X_train_selected, y_train)

y_pred = lr_model.predict(X_test_selected)

mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print(f"平均绝对误差 (MAE): {mae:.2f}")
print(f"均方误差 (MSE): {mse:.2f}")
print(f"R-squared (R²): {r2:.4f}")
print(f"均方根误差 (RMSE): {rmse:.2f}")

单元格 15: 结果可视化

• 目的: 绘制散点图对比模型的预测值与真实值。理想情况下，数据点应紧密围绕对角线分布，表明预测值与真实值高度一致。

plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, alpha=0.5)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], '--r', linewidth=2)
plt.title('真实值 vs. 预测值')
plt.xlabel('真实售价')
plt.ylabel('预测售价')
plt.show()

---

5. 总结

至此，您已成功构建、训练并评估了一个用于预测二手车价格的线性回归模型。本文档涵盖了从环境设置到模型评估的完整流程，为进一步的模型优化（如尝试不同算法、调整超参数）奠定了坚实的基础。