diff --git a/house price.py b/house price.py
new file mode 100644
index 0000000..9cd55dd
--- /dev/null
+++ b/house price.py	
@@ -0,0 +1,136 @@
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn import linear_model #线性模型
+import tkinter as tk
+import matplotlib.pyplot as plt #绘图库
+import seaborn as sns
+import numpy as np
+from flask import Flask, request, jsonify, render_template
+import joblib
+#直方图显示
+def show_zhifangtu():
+    df1 = pd.read_csv(r"./house_data.csv")
+    # 直方图显示
+    df1.hist(bins=20, figsize=(10, 10))#20柱数
+    plt.show()
+
+#各个特征与房价的关系图
+def xianxinghuigui():
+    house = pd.read_csv(r"./house_data.csv")
+    house = house.astype(float)
+    col1 = house.columns   #特征列
+    # 生成图表,总共有6个影响房价的特征，让各个特征与房价之间的关系进行可视化展示
+    for col in col1:
+        f, ax = plt.subplots(1, 1, figsize=(12, 8), sharex=True)
+        sns.regplot(x=col, y='price', data=house, ax=ax)    #关系图绘制
+        x = ax.get_xlabel()     #标签
+        y = ax.get_ylabel()
+        ax.set_xlabel(x, fontsize=18)
+        ax.set_ylabel(y, fontsize=18)
+    plt.show()
+
+#热图显示
+def hot_pictrue():
+    house = pd.read_csv(r"./house_data.csv")
+    house = house.astype(float)
+    # 计算各变量的相关性
+    corr = house.corr()
+    # 生成上三角形生成掩码，防止生成重复热图
+    mask = np.triu(np.ones_like(corr, dtype=bool))
+    # 建立matplotlib图
+    f, ax = plt.subplots(figsize=(11, 9))
+    # 生成自定义颜色的图表
+    cmap = sns.diverging_palette(200, 10, center='light', as_cmap=True)
+    # 用绘制热图并修正纵横比
+    sns.heatmap(corr,  mask=mask ,cmap=cmap, vmax=1, vmin=-1, center=0, square=True, linewidths=.5,
+                cbar_kws={"shrink": .4}, annot=True)
+    plt.show()
+
+"""
+岭回归
+lasso回归
+"""
+#使用岭回归算法模型和lasso回归算法模型比较，对房价数据进行训练和预测，并使用Tkinter库创建了一个简单的交互界面。
+def train_and_predict():
+    # 训练集与测试集
+    df_dm = pd.read_csv(r"./house_data.csv")
+    df_dm.hist(bins=20,figsize=(10,10))
+    train_data_dm, test_data_dm = train_test_split(df_dm, train_size=0.8, random_state=3)
+
+    # 训练。使用Lasso方法来构建复杂模型，对房屋面积、卫生间数和卧室数这三个特征进行回归分析。
+    features = ['square', 'bathrooms', 'bedrooms']
+    complex_model_R = linear_model.Ridge(alpha=100) #用岭回归算法得到模型1
+    x = df_dm[features]
+    y = df_dm['price']
+    complex_model_R.fit(x, y)
+    score1 = complex_model_R.score(x, y)    #岭回归算法模型评估分
+
+    complex_model_L = linear_model.Lasso(alpha=100) #lasso回归算法得到模型2
+    complex_model_L.fit(x, y)
+    score2 = complex_model_L.score(x, y)    #lasso回归算法模型的评分
+
+    if score2 > score1:     #两种模型评分比较，评分较大的模型较优
+        best_model = complex_model_L
+    else:
+        best_model = complex_model_R
+
+    # 传入模型
+    pred1 = best_model.predict(test_data_dm[features])
+    intercept = float(best_model.intercept_)
+    coef = list(best_model.coef_)
+    print('系数 Coefficients: {}'.format(coef))
+    print('截距 Intercept: {}'.format(intercept))
+
+    # 计算模型评分
+    print(best_model.score(df_dm[features], df_dm['price']))
+
+    # 使用图形进行展示
+    # 第1步，实例化object，建立窗口window
+    window = tk.Tk()
+    # 第2步，给窗口的可视化起名字
+    window.title('房价预测计算器-岭回归')
+    # 第3步，设定窗口的大小(长 * 宽)
+    window.geometry('500x350')
+    # 第4步，在图形界面上设定输入框控件entry框并放置
+    a = tk.Label(window, text="房屋面积：")
+    a.place(x='30', y='50', width='80', height='40')
+    e = tk.Entry(window, show=None)  # 显示成明文形式
+    e.place(x='120', y='50', width='180', height='40')
+    b = tk.Label(window, text="卫生间数：")
+    b.place(x='30', y='120', width='80', height='40')
+    f = tk.Entry(window, show=None)  # 显示成明文形式
+    f.place(x='120', y='120', width='180', height='40')
+    c = tk.Label(window, text="卧室数：")
+    c.place(x='30', y='190', width='80', height='40')
+    g = tk.Entry(window, show=None)  # 显示成明文形式
+    g.place(x='120', y='190', width='180', height='40')
+
+    # 第5步，定义触发事件
+    def calculate():  # 在鼠标焦点处插入输入内容
+        var1 = e.get()
+        var2 = f.get()
+        var3 = g.get()
+        ans = coef[0] * float(var1) + coef[1] * float(var2) + coef[2] * float(var3) + intercept
+        ans = '%.2f' % ans
+        result.set(str(ans))
+
+    # 第6步，创建并放置一个按钮
+    b1 = tk.Button(window, text='预测房价', width=10, height=2, command=calculate)
+    b1.place(x='350', y='120', width='100', height='40')
+    # 第7步，创建并放置一个多行文本框text用以显示
+    w = tk.Label(window, text="预测房价（万元）：")
+    w.place(x='30', y='250', width='120', height='50')
+    result = tk.StringVar()
+    show_dresult = tk.Label(window, bg='white', fg='black', font=('Arail', '16'), bd='0', textvariable=result,
+                            anchor='e')
+    show_dresult.place(x='200', y='250', width='250', height='50')
+    # 第8步，主窗口循环显示
+    window.mainloop()
+
+def main():
+    show_zhifangtu()#直方图
+    xianxinghuigui()#线性回归
+    hot_pictrue()#热图
+    train_and_predict()#机器训练预测
+if __name__=="__main__":
+    main()
\ No newline at end of file