据了解，2020年数学建模大赛的主题是某厂商根据不同的车辆属性数据，将其组织成4个团队，其他只有与未知编队的车辆属性数据不同的车辆属性介绍。
问题1 :根据给定的数据对附件二的车辆数据进行编队。
问题2 :根据问题1的结果，对每个编队车辆进行性能评估。
问题背景自动驾驶是一项极其复杂困难的技术，依靠人工智能、雷达探测、监控设备等多方面的合作。 需要大量的视频采集、数据分析、不断的反馈调整，而且必须做到低时延。 虽然这对网络通信速度有很高的要求，但5G技术具有更快的速度和更大的容量，将加速已经开通的5G商用或自动驾驶技术。
不仅如此，目前主流的自动驾驶技术路线取决于车辆自身的感知能力，车上需要配备数十万元的激光雷达等一系列传感器，但探测的距离和精度仍有待提高。 此外，视野死角和其他车辆的不可预测性意味着风险的存在。
分析问题分析问题，首先为了初步了解车辆数据的内容和分类属性，对脏数据和空数据进行处理，发现没有脏数据和空数据； 并根据问题，通过给定的附件一数据对附件二中的车辆进行编队。 我们考虑采用分类算法对原始附件一数据进行分类模型的训练，利用附件一数据训练的模型对附件二中的数据进行分类，从而得到车辆编队的结果。 由于分类算法较多，我们将分类准确率作为模型选择的重要因素。 为了选择最适合该数据的分类模型，采用多项式贝叶斯、tzdzxnaive贝叶斯、jzddr、SVM分类算法模型，发现精度最高的是SVM算法模型。 为此，以SVM算法模型为最终训练模型，利用附件一的标准数据进行模型训练，利用附件二的车辆属性数据对车辆编队进行分类预测，并输出预测的车辆编队结果。
在问题2的分析中，关于问题2，根据我们求出的问题1的结果，由于不同编队的车辆性能是有区别的，因此在对不同编队的车辆进行性能评价时，车辆属性侧重点评价标准也不同。 那么，为了寻找4个编队类别的车辆评估标准，对该4个车辆编队类别的所有车辆对应属性进行均值计算，进行主因子分析，然后绘制不同车辆编队的属性雷达图，结合现实依据对4个车辆编队的性能评估进行
问题1步骤：
#引入模型，建立多项式贝叶斯模型、tzdzx贝叶斯模型、jzddr模型froms klearn.naive _ bayesimportmultinomialnb、 分别导入GaussianNB，导入Bernoullinb#SVM模型froms klearn.svmimportsvcfromsklearn.cross _ validationimporttrain _ test 的导入附件1wb=openpyxl.load _ workbook (打开problemc附件1.xlsx ) ws=wb.active#汽车属性数据(1-20属性) features 遍历保存汽车编队数据cls=并读入数据forrowinws.ITER_rows(min_row=2，max_row=1501，min_col=2，max_col=22 剪切1数据集可由训练集、测试集x_train、x_x_test、y_train、y _ test=train _ test _ split (features，cls，test ) rrain_test_split 0#初始化tzdzx贝叶斯模型gnb=Gaussiannb(#模型训练gnb.fit(x_train， y_train ) #模型预测y_predict=gnb.predict(x_test ) forIinrange(len ) y_predict ) ) 3360ify_predict ) len(y_test ) )初始化多项式贝叶斯模型mnb=MultinomialNB ) #模型训练mnb.fit ) x_train， y_train ) #模型预测y_predict=mnb.predict(x_test ) forIinrange(len ) y_predict ) ) 3360ify_predict ) y_train(y_predict=bnb.predict ) x_test ) forIinrange(len(y_predict ) ) :ify_predict )==y(y gamma=20，decision_function_shape='ovo '， cache但#kernel='rbf '可能为tzdzx核，gramma越大，分类界面越散，分类效果越好，与#decision_function_shape:ovr个类别ovo:y _ train (y _ predict=SVC.predict (x _ test ) d=0#gnb=GaussianNB ) ) #gnb.fit ) y_predict