使用Python+支持向量机预测广州车牌拍卖价格

本文链接：https://blog.csdn.net/qq_36071963/article/details/104157762

首先附上我收集的2018年以来的广州车牌拍卖信息

	指标数量	参与人数	第一次报价	第二次报价	上次最低价	上次平均价	上上次最低价	上上次平均价	本次最低价
2020年1月	3634	11917 （数据缺失，取得是历史平均数）	12181	12591	13800	15461	13200	15917	14800
2019年12月	7693	14725	12495	12861	13200	15917	10000	20306	13800
2019年11月	5701	11051	12500	12764	10000	20306	20200	24164	13200
2019年10月	9068	10356	17365	18134	20200	24164	21800	23779	10000
2019年9月	8165	15925	17891	18895	21800	23779	18800	22047	20200
2019年8月	6366	17220	17204	18056	18800	22047	14100	28966	21800
2019年7月	5422	13142	16082	16581	14100	28966	40000	42846	18800
2019年6月	5457	7932	21129	22641	40000	42846	38600	40395	14100
2019年5月	3618	9782	28637	30736	38600	40395	36000	37953	40000
2019年4月	3622	11794	26753	28709	36000	37953	33000	36240	38600
2019年3月	3635	12278	25493	27287	33000	36240	33900	39196	36000
2019年2月	3662	10935	23552	25352	33900	39196	37000	40985	33000
2019年1月	3657	12604	23772	25296	37000	40985	36800	39585	33900
2018年12月	3641	13169	24141	26066	36800	39585	33100	35434	37000
2018年11月	3632	14877	23546	25165	33100	35434	29700	32205	36800
2018年10月	3630	16330	21612	22974	29700	32205	25500	31654	33100
2018年9月	3695	15124	20202	21516	25500	31654	12100	56152	29700
2018年8月	4541	11522	19450	20181	12100	56152	52000	57283	25500
2018年7月	3600	6408	40251	43583	52000	57283	41300	44225	12100
2018年6月	3554	9275	34894	38147	41300	44225	32100	34455	52000
2018年5月	3538	12576	27014	29117	32100	34455	25300	26939	41300
2018年4月	3549	10708	22339	23941	25300	26939	22800	24560	32100
2018年3月	3547	10210	19367	20489	22800	24560	21000	25213	25300
2018年2月	3541	10102	18089	18934	21000	25213	18000	32312	22800
2018年1月	3687	7966	18405	19126	18000	32312	30700	34046	21000

使用语言： Python，请先pip install好pandas和sklearn。

1、import需要的包

import pandas as pd
from sklearn.svm import SVR
# 导入支持向量机

2、将上文的表格复制到excel里面，删除第一行表头，然后保存成csv，命名为data.csv保存在程序目录下。

3、读取csv并转为DataFrame

carPrice = []
with open('data.csv', 'r', encoding='utf-8') as f:
    for line in f.readlines():
        l = line.split(',')
        carPrice.append({
            'zbs': int(l[1]),
            'bms': int(l[2]),
            'fp': int(l[3]),
            'sp': int(l[4]),
            'nlp': int(l[5]),
            'nap': int(l[6]),
            'nnlp': int(l[7]),
            'nnap': int(l[8]),
            'lp': int(l[9])
        })

df = pd.DataFrame(carPrice)
# 将数据转换成DataFrame，其实我觉得直接用pd.read_csv方法更快，这个程序从整理数据到写好也就用了几十分钟。

4、进行机器学习，输出结果，本次将通过2018-2019年的数据，以及公布的2020年1月车牌拍卖相关数据，预测2020年1月车牌拍卖最低价格。

X_train = df.drop(['lp'], axis=1)[1:]
# 训练数据集
y_train = df['lp'][1:]
# 训练结果集
X_test = df.drop(['lp'], axis=1)[:1]
# 测试数据集

clf = SVR(kernel='linear')
clf.fit(X_train, y_train)
preds = clf.predict(X_test)
print('预测结果是：',preds,'元')