Python数据分析实战：从零开始构建销售预测模型

随着大数据时代的到来，数据分析已经成为企业决策的重要依据之一。Python作为一种强大的编程语言，在数据分析领域有着广泛的应用。本文将通过一个具体的案例——销售预测——来演示如何使用Python进行数据预处理、特征工程、模型构建与评估。无论你是Python的新手还是有一定基础的开发者，都可以从中获得有价值的信息。

环境搭建

必要的Python库

确保安装了以下Python库：

• Pandas：用于数据处理和分析。
• NumPy：用于科学计算。
• Matplotlib：用于数据可视化。
• Scikit-learn：用于机器学习。

可以通过pip安装这些库：

pip install pandas numpy matplotlib scikit-learn

数据集下载

为了方便演示，我们假设已经下载了一个包含历史销售记录的数据集 sales_data.csv。该数据集包含以下字段：

• Date：日期
• Sales：销售额
• AdBudget：广告预算
• StoreType：商店类型
• CompetitionDistance：最近竞争对手的距离

数据预处理

加载数据

首先，我们需要使用Pandas来加载数据集。

import pandas as pd

# 加载数据
data = pd.read_csv('sales_data.csv')

查看数据

查看数据的前几行，了解数据的基本情况。

# 显示前几行
print(data.head())

数据清洗

对数据进行初步的清理，比如去除缺失值、异常值等。

# 删除含有缺失值的行
data.dropna(inplace=True)

# 删除重复的行
data.drop_duplicates(inplace=True)

# 查看清洗后的数据
print(data.head())

探索性数据分析 (EDA)

接下来，我们对数据进行一些探索性分析，以了解数据的分布情况。

import matplotlib.pyplot as plt

# 绘制销售额的分布图
plt.figure(figsize=(10, 5))
plt.hist(data['Sales'], bins=50, color='blue', alpha=0.7)
plt.title('Distribution of Sales')
plt.xlabel('Sales')
plt.ylabel('Frequency')
plt.show()

# 绘制广告预算与销售额的关系图
plt.figure(figsize=(10, 5))
plt.scatter(data['AdBudget'], data['Sales'], alpha=0.5)
plt.title('Ad Budget vs Sales')
plt.xlabel('Ad Budget')
plt.ylabel('Sales')
plt.show()

特征工程

创建新特征

根据业务需求，我们创建一些新的特征变量。

# 添加月份和年份特征
data['Month'] = pd.DatetimeIndex(data['Date']).month
data['Year'] = pd.DatetimeIndex(data['Date']).year

# 添加是否节假日特征
# 假设节假日列表已经定义好
holidays = ['2021-01-01', '2021-01-18', '2021-02-15', ...]
data['IsHoliday'] = data['Date'].isin(holidays).astype(int)

特征选择

根据相关性分析选择最相关的特征。

# 计算特征之间的相关性
correlation_matrix = data.corr()

# 显示相关性矩阵
print(correlation_matrix)

# 选择相关性最高的特征
selected_features = ['Month', 'AdBudget', 'IsHoliday']

构建预测模型

划分数据集

将数据分为训练集和测试集。

from sklearn.model_selection import train_test_split

# 划分数据
X = data[selected_features]
y = data['Sales']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

训练模型

选择线性回归模型作为预测模型。

from sklearn.linear_model import LinearRegression

# 创建模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

模型评估

评估模型的性能。

from sklearn.metrics import mean_squared_error, r2_score

# 计算均方根误差
rmse = np.sqrt(mean_squared_error(y_test, predictions))

# 计算决定系数
r2 = r2_score(y_test, predictions)

# 输出评估结果
print(f'Root Mean Squared Error: {rmse:.2f}')
print(f'R^2 Score: {r2:.2f}')

结论

本文通过一个实际的销售预测案例，展示了如何使用Python进行数据预处理、特征工程、模型构建与评估。虽然这是一个简化的例子，但它为我们提供了一个很好的起点。在实际项目中，还需要考虑更多的因素，比如更复杂的特征工程、模型调参等。

如果你对这个主题感兴趣或者有任何疑问，欢迎在评论区留言交流。希望这篇文章能对你有所帮助！

示例代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 加载数据
data = pd.read_csv('sales_data.csv')

# 数据清洗
data.dropna(inplace=True)
data.drop_duplicates(inplace=True)

# EDA
plt.figure(figsize=(10, 5))
plt.hist(data['Sales'], bins=50, color='blue', alpha=0.7)
plt.title('Distribution of Sales')
plt.xlabel('Sales')
plt.ylabel('Frequency')
plt.show()

plt.figure(figsize=(10, 5))
plt.scatter(data['AdBudget'], data['Sales'], alpha=0.5)
plt.title('Ad Budget vs Sales')
plt.xlabel('Ad Budget')
plt.ylabel('Sales')
plt.show()

# 特征工程
data['Month'] = pd.DatetimeIndex(data['Date']).month
data['Year'] = pd.DatetimeIndex(data['Date']).year
holidays = ['2021-01-01', '2021-01-18', '2021-02-15', ...]
data['IsHoliday'] = data['Date'].isin(holidays).astype(int)

# 特征选择
correlation_matrix = data.corr()
selected_features = ['Month', 'AdBudget', 'IsHoliday']

# 构建预测模型
X = data[selected_features]
y = data['Sales']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

# 模型评估
rmse = np.sqrt(mean_squared_error(y_test, predictions))
r2 = r2_score(y_test, predictions)

print(f'Root Mean Squared Error: {rmse:.2f}')
print(f'R^2 Score: {r2:.2f}')

---

请根据实际情况调整上述代码中的数据文件名、路径以及其他细节，以便更好地适应你的具体需求。