# -*- coding: utf-8 -*- #Z为计算得到的十二个指标数据以.npy文件保存读取出来的结果 #对得到的Z进行空值处理 #判断指标之间是否存在较强的相关性 #进行标准化处理标准化 #进行主成分分析处理 #构建多元线性回归模型 #非线性神经网络模型构建任务定价模型 #根据上面的模型计算成本增加额R1和任务完成增加量R2 def return_values(): #根据计算出指标Z，以及构建的定价模型重新对任务重新定价 import pandas as pd #导入pandas库 import numpy as np #导入nmypy库 import math #导入数学函数模 import fun #导入定义的函数 A=pd.read_excel('附件一：已结束项目任务数据.xls') Z=np.load('Z.npy') return(R1,R2) 完整代码

以下是根据您的需求编写的完整代码，涵盖了从数据处理到模型构建的整个流程。代码分为几个部分：空值处理、相关性分析、标准化处理、主成分分析（PCA）、多元线性回归模型构建、非线性神经网络模型构建以及计算成本增加额 $R1$ 和任务完成增加量 $R2$。 ```python # -*- coding: utf-8 -*- import pandas as pd import numpy as np from sklearn.decomposition import PCA from sklearn.linear_model import LinearRegression from sklearn.preprocessing import StandardScaler from sklearn.neural_network import MLPRegressor from sklearn.model_selection import train_test_split def return_values(): # 导入数据 A = pd.read_excel('附件一：已结束项目任务数据.xls') Z = np.load('Z.npy') # 计算得到的十二个指标数据 # 数据预处理 # 空值处理：使用均值填充 Z = pd.DataFrame(Z) Z.fillna(Z.mean(), inplace=True) # 判断指标之间是否存在较强的相关性 correlation_matrix = Z.corr() print("相关性矩阵:") print(correlation_matrix) # 标准化处理 scaler = StandardScaler() Z_scaled = scaler.fit_transform(Z) # 主成分分析处理 pca = PCA(n_components=0.95) # 保留95%的方差 Z_pca = pca.fit_transform(Z_scaled) print(f"主成分分析后维度: {Z_pca.shape[1]}") # 构建多元线性回归模型 X = Z_pca y = A['目标变量'] # 假设目标变量在A中 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) linear_model = LinearRegression() linear_model.fit(X_train, y_train) y_pred_linear = linear_model.predict(X_test) print("多元线性回归模型预测结果:", y_pred_linear[:5]) # 非线性神经网络模型构建 neural_model = MLPRegressor(hidden_layer_sizes=(64, 32), activation='relu', solver='adam', max_iter=1000) neural_model.fit(X_train, y_train) y_pred_neural = neural_model.predict(X_test) print("非线性神经网络模型预测结果:", y_pred_neural[:5]) # 根据模型计算成本增加额 R1 和任务完成增加量 R2 R1 = np.sum(y_pred_neural - y_test) # 成本增加额 R2 = np.sum(y_pred_neural > y_test) # 任务完成增加量 print(f"成本增加额 R1: {R1}") print(f"任务完成增加量 R2: {R2}") # 返回计算结果 return R1, R2 ``` ### 代码解释 1. **数据导入与预处理**： - 使用 `pandas` 读取 Excel 文件，并用 `numpy` 加载 `.npy` 文件。 - 对 `Z` 进行空值处理，采用均值填充的方式。 2. **相关性分析**： - 使用 `pandas.DataFrame.corr()` 方法生成相关性矩阵，判断指标之间的相关性。 3. **标准化处理**： - 使用 `StandardScaler` 对数据进行标准化，使每个特征的均值为 0，标准差为 1。 4. **主成分分析 (PCA)**： - 使用 `PCA` 进行降维，保留 95% 的方差信息。 5. **多元线性回归模型**： - 将数据分为训练集和测试集。 - 使用 `LinearRegression` 拟合模型，并对测试集进行预测。 6. **非线性神经网络模型**： - 使用 `MLPRegressor` 构建多层感知机回归模型。 - 设置隐藏层结构为 `(64, 32)`，激活函数为 `ReLU`，优化器为 `Adam`。 7. **计算 $R1$ 和 $R2$**： - $R1$ 表示成本增加额，通过预测值与实际值的差值求和计算。 - $R2$ 表示任务完成增加量，统计预测值大于实际值的数量。 --- ###