data = pdread_excelrDpythonProject3会员信息附件二：会员信息数据xlsxdatadropnainplace=TrueX = data信誉值均值 预订任务限额均值 商品周围商品个数 会员点个数y = data任务标价从中随机取样100组数据用来拟合求拟合优度知道拟合度大于05否则重新取样找并找到拟合度最高的方程并输出

首先，我们需要导入所需的库和模块：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
import random

然后，我们可以使用以下代码从数据中随机取样100组数据：

random.seed(0)
sample_data = data.sample(n=100)

接下来，我们可以定义一个函数来计算线性回归的拟合优度：

def calculate_r2(X, y):
    model = LinearRegression()
    model.fit(X, y)
    y_pred = model.predict(X)
    r2 = r2_score(y, y_pred)
    return r2

然后，我们可以使用一个循环来不断取样并计算拟合优度，直到找到拟合度大于0.5的样本：

r2 = 0
while r2 < 0.5:
    sample_data = data.sample(n=100)
    X = sample_data[['信誉值均值', '预订任务限额均值', '商品周围商品个数', '会员点个数']]
    y = sample_data['任务标价']
    r2 = calculate_r2(X, y)

最后，我们可以使用拟合优度最高的样本来训练线性回归模型，并输出拟合方程：

model = LinearRegression()
model.fit(X, y)
equation = '任务标价 = '
for i, coef in enumerate(model.coef_):
    equation += f'{coef:.2f} * {X.columns[i]} + '
equation += f'{model.intercept_:.2f}'
print(equation)

完整的代码如下所示：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
import random

data = pd.read_excel(r'D:\pythonProject3\会员信息\附件二：会员信息数据.xlsx')
data.dropna(inplace=True)

random.seed(0)
sample_data = data.sample(n=100)

def calculate_r2(X, y):
    model = LinearRegression()
    model.fit(X, y)
    y_pred = model.predict(X)
    r2 = r2_score(y, y_pred)
    return r2

r2 = 0
while r2 < 0.5:
    sample_data = data.sample(n=100)
    X = sample_data[['信誉值均值', '预订任务限额均值', '商品周围商品个数', '会员点个数']]
    y = sample_data['任务标价']
    r2 = calculate_r2(X, y)

model = LinearRegression()
model.fit(X, y)
equation = '任务标价 = '
for i, coef in enumerate(model.coef_):
    equation += f'{coef:.2f} * {X.columns[i]} + '
equation += f'{model.intercept_:.2f}'
print(equation)

请注意，由于数据路径可能与您的实际路径不同，您需要根据实际情况修改数据路径。