使用python读取 txt 格式的数据集，保存为numpy数组格式； （2）使用matplotlib可视化，分析各个特征和目标的相关性 （3）选取与销量最相关的2个特征构建模型，并对模型进行测试。 （4）提交源代码和运行结果截图。

在Python中，我们可以使用pandas库方便地读取txt格式的数据集，并转化为numpy数组。以下是一些基本步骤： 1. **读取txt文件为pandas DataFrame**: ```python import pandas as pd # 读取txt文件 data = pd.read_csv('your_dataset.txt', delimiter="\t" or "\n", header=None) # 判断文本的分隔符 # 将DataFrame转换为numpy数组 array_data = data.values ``` 在这里，你需要替换`your_dataset.txt`为你的实际文件名。如果数据是以制表符分隔，就用`\t`，如果是换行符，就用`\n`。 2. **数据可视化与相关性分析**: ```python import matplotlib.pyplot as plt import seaborn as sns # 绘制散点图或热力图分析特征与目标的关系 sns.pairplot(data, x_vars=['feature1', 'feature2'], y_vars='target', kind='scatter') plt.show() # 直接计算相关系数 correlation_matrix = data.corr().round(2) plt.figure(figsize=(10, 6)) sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm') plt.title('Correlation Matrix') plt.show() ``` 这将显示两个选定特征与目标之间的相关性图表。你可以选择相关性最强的特征。 3. **选择相关特征建模**: 假设`feature1`和`feature2`是最相关特征： ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score # 分割数据为特征和目标 X = array_data[:, [0, 1]] # feature1和feature2 y = array_data[:, -1] # 目标列 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建模型 model = LinearRegression() model.fit(X_train, y_train) # 预测并评估 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"MSE: {mse}, R2 Score: {r2}") ``` 这将创建一个简单的线性回归模型基于这两个特征，并展示其在测试集上的性能。 4. **提交源代码和运行结果**: 确保你在本地环境中保存了以上代码片段的完整版本，并记录下运行的结果（如MSE和R2分数）。如果你的工作环境支持，你还可以考虑使用Jupyter Notebook来运行代码，并直接保存输出和可视化图像。对于代码，可以将它们粘贴到Markdown文档中，并附带截图说明结果。 记住，在实际项目中，你还需要进行异常处理和更多验证步骤。