基于Python的众包任务定价优化方案

一、问题
今有一批新的项目任务数据，包括任务编号、任务GPS纬度、任务GPS经度，请利用本章学习的知识，对这一批任务进行定价，并评估任务的执行完成情况。具体数据请见附件三：新项目任务数据.
二、基本思路
1.直接使用课程的数据附件二做训练集，作业所给数据附件三做预测集
2.用线性回归的方法进行任务定价预测
3.用逻辑回归方法评估任务的执行情况
三、程序（Python）

import pandas as pd
import time
#计算程序运行时间
start = time.clock()
data=pd.read_excel('附件一：已结束项目任务数据.xls')  
newdata=pd.read_excel('附件三：新项目任务数据.xls')

x=data.iloc[:,1:3]
y=data.iloc[:,3]
#2.导入线性回归模块，简称为LR
from sklearn.linear_model import LinearRegression as LR
lr=LR()#创建线性回归模型类
lr.fit(x,y)#拟合
Slr=lr.score(x,y)#判定系数R^2
c_x=lr.coef_#x对应的回归系数
c_b=lr.intercept_#回归系数常数项
#3.预测
x1=newdata.iloc[:,1:3]
r=lr.predict(x1)#采用自导函数预测
r1=x1*c_x
R2=r1.sum()+c_b
print('x回归系数为：',c_x)
print('回归系数常数项为：',c_b)
print('判定系数为：',Slr)
print('样本预测值为：',r)
r=pd.DataFrame(r)
newdata=pd.concat([newdata,r],axis=1)

x=data.iloc[:,1:4]
y=data.iloc[:,4]
x1=newdata.iloc[:,1:]
#逻辑回归
from sklearn.linear_model import LogisticRegression as LR
lr=LR()#创建逻辑回归模型类
lr.fit(x,y)#训练数据
r=lr.score(x,y)#模型准确率（针对训练数据）
result=lr.predict(x1)#预测结果
print('预测结果为：',result)

result=pd.DataFrame(result)
enddata=pd.concat([newdata,result],axis=1)

四、结果（截图）
1.用线性回归的方法进行任务定价预测

2.用逻辑回归方法评估任务的执行情况