机器学习 | 基于机器学习的供应链管理之销售库存优化分析（实操分享）

本次是用机器学习做出未来一定时期内的销售量预测，从而辅助指导销售库存计划的决策分析，以达到合理配置库存，减少资源成本浪费的目的。实操内容有点多，虽然我已经尽量删减了。有兴趣的朋友可以关注+收藏，后面慢慢看哟。如果觉得内容还行，请多多鼓励；如果有啥想法，评论留言or私信。那么我们开始说正事了~

一、数据准备阶段

数据集描述

用于技术验证的数据集来自kaggle上的医药销售预测项目Rossmann Stores Clustering and Forecast，整个数据集包含三张表：训练集、测试集、经销商信息表。测试集只比训练集少销售额Sales和Customers这两个字段，其它字段完全相同，其中训练集和测试集分别有1017209和41088条，训练集和测试集前五条数据如下。

测试集包含未来六周的促销等状况，要求预测指定经销商的销售额或则顾客总数。

经销商信息数据集store.csv有1115条数据，也就是1115家经销商，10个字段。

其中Store字段唯一代表一家经销商，可以将train.csv和test.csv分别与store.csv通过字段Store关联起来。

数据预处理

1. 首先从日期字段Date中提取出年月日以及该日期在所在年的第几周，并将它们作为新的字段，方便之后对数据按时间进行聚合处理。

2. 对三张表中的分类变量进行编码转换，采用sklearn内置的LabelEncoder编码。

3. 查看每张表的字段缺失情况，train.csv，test.csv，store.csv缺失如下