**Название:** **1. Загрузка данных** * **Цель:** Выполнить загрузку всех данных из `data.csv` в `df`. * **Код:** ```python import pandas as pd df = pd.read_csv('data.csv') ``` **2. Предварительная обработка данных** * **Цель:** Удалить дубликаты, заполнить пропущенные значения и преобразовать типы данных. * **Шаги:** 1. Удалить дубликаты: `df.drop_duplicates(inplace=True)` 2. Заполнить пропущенные значения средним: `df.fillna(df.mean(), inplace=True)` 3. Преобразовать столбец 'price' в числовой тип: `df['price'] = pd.to_numeric(df['price'])` **3. Анализ данных** * **Цель:** Рассчитать среднюю цену по всем продуктам. * **Код:** ```python average_price = df['price'].mean() print(f"Средняя цена: {average_price:.2f}") ``` **4. Визуализация данных** * **Цель:** Построить гистограмму распределения цен. * **Код:** ```python import matplotlib.pyplot as plt plt.hist(df['price'], bins=10) plt.title('Распределение цен') plt.xlabel('Цена') plt.ylabel('Частота') plt.show() ``` **5. Регрессионный анализ (Линейная регрессия)** * **Цель:** Построить модель линейной регрессии для предсказания цены на основе других признаков. * **Шаги:** 1. Выбрать признаки: `features = ['bedrooms', 'bathrooms', 'area']` 2. Определить зависимую переменную: `target = 'price'` 3. Разделить данные на обучающую и тестовую выборки. 4. Обучить модель `LinearRegression` от `sklearn.linear_model`. 5. Оценить модель. --- **Примечания:** * Этот код предполагает, что у вас установлен `pandas`, `numpy` и `matplotlib`. * Файл `data.csv` должен находиться в той же директории, что и скрипт, или путь к нему должен быть указан. * Для шага 5 потребуется установить `scikit-learn`: `pip install scikit-learn`.