1. 使用柱状图完成各城区的平均单价分布情况：
```python
import matplotlib.pyplot as plt
import numpy as np
# 假设已有数据
city_areas = ['朝阳', '东坝', '海淀', '五棵松']
average_prices = [6000, 5500, 7000, 6500]
plt.bar(city_areas, average_prices)
plt.xlabel('城区')
plt.ylabel('平均单价（元/平方米）')
plt.title('各城区平均单价分布情况')
plt.show()
```
2. 预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价预测值（元/平方米）：
```python
from sklearn.linear_model import LinearRegression
# 假设已有训练数据和模型
X_train = [[80, 2, 1, 1, 1, 0], [90, 3, 2, 2, 1, 1]] # 面积，室数，厅数，卫数，朝向，品质小区
y_train = [6000, 7000] # 房价（元/平方米）
model = LinearRegression().fit(X_train, y_train)
# 预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价
X_test = [[80, 2, 1, 1, 1, 0]]
predicted_price = model.predict(X_test)
print("预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价预测值（元/平方米）：", predicted_price[0])
```
3. 预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价预测值（元/平方米）：
```python
# 预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价
X_test = [[100, 3, 1, 1, 0, 1]]
predicted_price = model.predict(X_test)
print("预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价预测值（元/平方米）：", predicted_price[0])
```
```python
import matplotlib.pyplot as plt
import numpy as np
# 假设已有数据
city_areas = ['朝阳', '东坝', '海淀', '五棵松']
average_prices = [6000, 5500, 7000, 6500]
plt.bar(city_areas, average_prices)
plt.xlabel('城区')
plt.ylabel('平均单价（元/平方米）')
plt.title('各城区平均单价分布情况')
plt.show()
```
2. 预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价预测值（元/平方米）：
```python
from sklearn.linear_model import LinearRegression
# 假设已有训练数据和模型
X_train = [[80, 2, 1, 1, 1, 0], [90, 3, 2, 2, 1, 1]] # 面积，室数，厅数，卫数，朝向，品质小区
y_train = [6000, 7000] # 房价（元/平方米）
model = LinearRegression().fit(X_train, y_train)
# 预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价
X_test = [[80, 2, 1, 1, 1, 0]]
predicted_price = model.predict(X_test)
print("预测80平方米、2室1厅1卫、朝阳、东坝、品质小区、朝南的房价预测值（元/平方米）：", predicted_price[0])
```
3. 预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价预测值（元/平方米）：
```python
# 预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价
X_test = [[100, 3, 1, 1, 0, 1]]
predicted_price = model.predict(X_test)
print("预测100平方米、3室1厅1卫、海淀、五棵松、品质小区、朝南的房价预测值（元/平方米）：", predicted_price[0])
```
