商品销售预测

已于 2022-05-16 11:23:50 修改
阅读量290 收藏 2
点赞数 1
文章标签： python
于 2022-04-29 23:24:18 首次发布

商业销售预测绘图``

import numpy as np
import matplotlib.pylab as plt
import pandas as pd
import os


导入数据
```python
file=os.walk(r'D:\机器学习\kaggle预测\商店销售')
filename_=[]
filename_data=[]
for root,sub,filename in file:
    for i in filename:
        path=os.path.join(root,i)
        filename_.append(i)
        filename_data.append(pd.read_csv(path))
    

[i for i in filename_]

['holidays_events.csv',
 'oil.csv',
 'sample_submission.csv',
 'stores.csv',
 'test.csv',
 'train.csv',
 'transactions.csv']

#合并数据
df_train1=filename_data[5].merge(filename_data[0],on='date',how='left')
df_train1=df_train1.merge(filename_data[1],on='date',how='left')
df_train1=df_train1.merge(filename_data[3],on='store_nbr',how='left')
df_train1=df_train1.merge(filename_data[6],on=['date','store_nbr'],how='left')
df_train1=df_train1.rename(columns={'type_x':'holiday_type','type_y':'store_type'})
df_train1.head()
iddatestore_nbrfamilysalesonpromotionholiday_typelocalelocale_namedescriptiontransferreddcoilwticocitystatestore_typeclustertransactions
002013-01-011AUTOMOTIVE0.0000HolidayNationalEcuadorPrimer dia del anoFalseNaNQuitoPichinchaD13NaN
112013-01-011BABY CARE0.0000HolidayNationalEcuadorPrimer dia del anoFalseNaNQuitoPichinchaD13NaN
222013-01-011BEAUTY0.0000HolidayNationalEcuadorPrimer dia del anoFalseNaNQuitoPichinchaD13NaN
332013-01-011BEVERAGES0.0000HolidayNationalEcuadorPrimer dia del anoFalseNaNQuitoPichinchaD13NaN
442013-01-011BOOKS0.0000HolidayNationalEcuadorPrimer dia del anoFalseNaNQuitoPichinchaD13NaN
#处理日期：
df_train1['date']=pd.to_datetime(df_train1['date'])
df_train1['year']=df_train1['date'].dt.year
df_train1['month']=df_train1['date'].dt.month
df_train1['week']=df_train1['date'].dt.isocalendar().week
df_train1['quarter']=df_train1['date'].dt.quarter
df_train1['day_of_week']=df_train1['date'].dt.day_name()
df_train1.head()
iddatestore_nbrfamilysalesonpromotionholiday_typelocalelocale_namedescription...citystatestore_typeclustertransactionsyearmonthweekquarterday_of_week
002013-01-011AUTOMOTIVE0.00HolidayNationalEcuadorPrimer dia del ano...QuitoPichinchaD13NaN2013111Tuesday
112013-01-011BABY CARE0.00HolidayNationalEcuadorPrimer dia del ano...QuitoPichinchaD13NaN2013111Tuesday
222013-01-011BEAUTY0.00HolidayNationalEcuadorPrimer dia del ano...QuitoPichinchaD13NaN2013111Tuesday
332013-01-011BEVERAGES0.00HolidayNationalEcuadorPrimer dia del ano...QuitoPichinchaD13NaN2013111Tuesday
442013-01-011BOOKS0.00HolidayNationalEcuadorPrimer dia del ano...QuitoPichinchaD13NaN2013111Tuesday

5 rows × 22 columns

store_nbr、family、cluster绘总

#将每个store_type的销量求平均值
df_st_sa=df_train1.groupby('store_type').agg({'sales':'mean'}).reset_index().sort_values(by='sales',ascending=False)
df_st_sa
store_typesales
0A708.378165
3D352.084510
1B328.275233
4E270.285490
2C197.790647
#对每一个family求均值并排序
df_fa_sa=df_train1.groupby('family').agg({'sales':'mean'}).reset_index().sort_values(by='sales',ascending=False)[:10]
df_fa_sa
familysales
12GROCERY I3790.432797
3BEVERAGES2394.912701
30PRODUCE1355.373698
7CLEANING1074.171518
8DAIRY711.175991
5BREAD/BAKERY464.150612
28POULTRY351.078816
24MEATS341.965905
25PERSONAL CARE271.192381
9DELI265.629746
#对每一个cluster求均值并排序
df_cl_sa=df_train1.groupby('cluster').agg({'sales':'mean'}).reset_index()
df_cl_sa.head()
clustersales
01327.022808
12261.025731
23194.926534
34297.537877
451120.118405
from matplotlib.gridspec import GridSpec
plt.figure(figsize=(12,8))
gs=GridSpec(2,2)
ax=plt.subplot(gs[1:,:2])
# plt.barh()
ax.bar(range(df_cl_sa.shape[0]),df_cl_sa.iloc[:,1],width=0.5)
ax.set_title('Clusters VS s Sales')

ax=plt.subplot(gs[:1,:1])
ax.barh(df_fa_sa.iloc[:,0],df_fa_sa.iloc[:,1])
ax.set_title('Average Sales Familys')

ax=plt.subplot(gs[:1,1])
ax.pie(df_st_sa.iloc[:,1],wedgeprops={'width':0.3},labels=df_st_sa.iloc[:,0])

ax.set_title('Highest Sales Stores')

plt.show()

请添加图片描述

月销售量绘总

#将每年的数据按月求均值得到新的数组
df_2013=df_train1[df_train1['year']==2013][['month','sales']]
df_2013=df_2013.groupby('month').agg({'sales':'mean'}).reset_index().rename(columns={'sales':'s13'})
df_2014=df_train1[df_train1['year']==2014][['month','sales']]
df_2014=df_2014.groupby('month').agg({'sales':'mean'}).reset_index().rename(columns={'sales':'s14'})
df_2015=df_train1[df_train1['year']==2015][['month','sales']]
df_2015=df_2015.groupby('month').agg({'sales':'mean'}).reset_index().rename(columns={'sales':'s15'})
df_2016=df_train1[df_train1['year']==2016][['month','sales']]
df_2016=df_2016.groupby('month').agg({'sales':'mean'}).reset_index().rename(columns={'sales':'s16'})
df_2017=df_train1[df_train1['year']==2017][['month','sales']]
df_2017=df_2017.groupby('month').agg({'sales':'mean'}).reset_index()
#补充2017年后面几个月的数据
df_2017_no=pd.DataFrame({'month':[9,10,11,12],'sales':[0,0,0,0]})
df_2017=df_2017.append(df_2017_no).rename(columns={'sales':'s17'})
# print(df_2017)
#将不同年份的数据合并起来
df_year=df_2013.merge(df_2014,on='month').merge(df_2015,on='month').merge(df_2016,on='month').merge(df_2017,on='month')
# tob_labels=['2013','2014','2015','2016','2017']
df_year
months13s14s15s16s17
01186.952405342.341709269.666595434.050268476.596791
12193.581846241.268892275.420792424.695398465.971468
23206.880581368.661236282.368624418.735398483.400632
34205.639071240.577087279.743138488.108774482.172948
45210.184563242.203129320.958116457.671398487.162797
56215.691343244.634652397.249619419.644575488.707278
67203.983455350.830102403.030170432.562218489.909880
78212.479434251.351805415.692304406.437390465.144891
89220.593588374.530792434.734053419.3312400.000000
910213.164266369.213666432.248428435.0021690.000000
1011231.136537384.056027426.579749462.9166750.000000
1112298.675144459.818606513.845328557.1148220.000000
#将除月份这一列的值赋给新的datafram
df_year=df_year[['s13','s14','s15','s16','s17']].replace(np.nan,0)
df_year
s13s14s15s16s17
Jan186.952405342.341709269.666595434.050268476.596791
Feb193.581846241.268892275.420792424.695398465.971468
Mar206.880581368.661236282.368624418.735398483.400632
Apr205.639071240.577087279.743138488.108774482.172948
May210.184563242.203129320.958116457.671398487.162797
Jun215.691343244.634652397.249619419.644575488.707278
Ju1203.983455350.830102403.030170432.562218489.909880
Aug212.479434251.351805415.692304406.437390465.144891
Sep220.593588374.530792434.734053419.3312400.000000
Oct213.164266369.213666432.248428435.0021690.000000
Nov231.136537384.056027426.579749462.9166750.000000
Dec298.675144459.818606513.845328557.1148220.000000
df_year.index=['Jan','Feb','Mar','Apr','May','Jun','Ju1','Aug','Sep','Oct','Nov','Dec']
y_data=df_2013['month'].tolist()#转化为一个列表
df_year
s13s14s15s16s17
Jan186.952405342.341709269.666595434.050268476.596791
Feb193.581846241.268892275.420792424.695398465.971468
Mar206.880581368.661236282.368624418.735398483.400632
Apr205.639071240.577087279.743138488.108774482.172948
May210.184563242.203129320.958116457.671398487.162797
Jun215.691343244.634652397.249619419.644575488.707278
Ju1203.983455350.830102403.030170432.562218489.909880
Aug212.479434251.351805415.692304406.437390465.144891
Sep220.593588374.530792434.734053419.3312400.000000
Oct213.164266369.213666432.248428435.0021690.000000
Nov231.136537384.056027426.579749462.9166750.000000
Dec298.675144459.818606513.845328557.1148220.000000
#画每年不同月份，平均销售
plt.figure(figsize=(12,8))
plt.barh(df_year.index,df_year.iloc[:,0],label='2013')
plt.text(100,12.5,'2013')
plt.barh(df_year.index,df_year.iloc[:,1],left=df_year.iloc[:,0],label='2014')
plt.text(500,12.5,'2014')
plt.barh(df_year.index,df_year.iloc[:,2],left=df_year.iloc[:,0]+df_year.iloc[:,1],label='2015')
plt.text(1000,12.5,'2015')
plt.barh(df_year.index,df_year.iloc[:,3],left=df_year.iloc[:,0]+df_year.iloc[:,1]+df_year.iloc[:,2],label='2016')
plt.text(1300,12.5,'2016')
plt.barh(df_year.index,df_year.iloc[:,4],left=df_year.iloc[:,0]+df_year.iloc[:,1]+df_year.iloc[:,2]+df_year.iloc[:,3],label='2017')
plt.text(1700,12.5,'2017')
plt.title('Avg Sales for Each Year',loc='left',y=1.08,fontsize=15)
plt.legend()
plt.show()

在这里插入图片描述

月、季、周，星期几绘总

#绘制每个月，每个季度，每个周的平均销售量
import calendar
df_m_sa=df_train1.groupby('month').agg({'sales':'mean'}).reset_index()
df_m_sa['sales']=round(df_m_sa['sales'],2)           #处理sales函数小数位数
df_m_sa['month_text']=df_m_sa['month'].apply(lambda x: calendar.month_abbr[x])#将数值月份转化为文字形
df_m_sa['text']=df_m_sa['month_text']+'-'+df_m_sa['sales'].astype(str)
df_w_sa=df_train1.groupby('week').agg({'sales':'mean'}).reset_index()
df_q_sa=df_train1.groupby('quarter').agg({'sales':'mean'}).reset_index()

df_m_sa.head(),df_w_sa.head(),df_q_sa.head

(    month   sales month_text        text
 0       1  341.92        Jan  Jan-341.92
 1       2  320.93        Feb  Feb-320.93
 2       3  352.01        Mar  Mar-352.01
 3       4  341.17        Apr  Apr-341.17
 4       5  345.65        May  May-345.65,

     week       sales
 0      1  409.099519
 1      2  347.534643
 2      3  338.142199
 3      4  329.186258
 4      5  344.195233,

    quarter       sales
 0        1  338.825392
 1        2  346.546038
 2        3  359.334098
 3        4  399.229622)

from matplotlib.gridspec import GridSpec
plt.figure(figsize=(12,8))
gs=GridSpec(2,2)
print(gs[:2,:2])
ax=plt.subplot(gs[:1,:1])
# plt.barh()

ax.barh(df_m_sa.iloc[:,2],df_m_sa.iloc[:,1])#为每个条形图添加标签要用循环
for a,b in enumerate(df_m_sa.iloc[:,1]):
    ax.text(b-100,a,df_m_sa.iloc[a,3])
ax.set_title('month wise avg sales analysis')

ax=plt.subplot(gs[:1,1])
ax.pie(df_q_sa.iloc[:,1],wedgeprops={'width':0.3},labels=df_q_sa.iloc[:,0],autopct='%1.2f%%',pctdistance=1.25)
ax.set_title('Quarter wise Avg Sales Analy')

ax=plt.subplot(gs[1:,:2])
ax.fill_between(df_w_sa.iloc[:,0],df_w_sa.iloc[:,1],alpha=0.6)
ax.plot(df_w_sa.iloc[:,0],df_w_sa.iloc[:,1],marker='o')
ax.set_title('Week wise Avg Sales Analysis')
# ax[0,1].set_title('Highest Sales Stores')
# ax[1,0].set_title('Clusters VS s Sales')
plt.show()

GridSpec(2, 2)[0:2, 0:2]

在这里插入图片描述

df_dw_sa=df_train1.groupby('day_of_week').agg({'sales':'mean'}).reset_index()
df_dw_sa['sales']=round(df_dw_sa['sales'],2)

df_dw_sa
day_of_weeksales
0Friday326.73
1Monday348.16
2Saturday434.79
3Sunday464.74
4Thursday286.57
5Tuesday319.92
6Wednesday330.77
plt.barh(df_dw_sa.iloc[:,0],df_dw_sa.iloc[:,1])#为每个条形图添加标签要用循环
for a,b in enumerate(df_dw_sa.iloc[:,1]):
    plt.text(b-50,a,df_dw_sa.iloc[a,1])
# plt.yticks(['Monday','Tuesday','Wednesday','Thursday','Friday','Saturday','Sunday'])
plt.title('Avg Sales VS Day of Week')
plt.show()

在这里插入图片描述

store_nbr与holiday关联

df_st_ht=df_train1.groupby(['store_type','holiday_type']).agg({'sales':'mean'}).reset_index()
df_st_ht['sales']=round(df_st_ht['sales'],2)
df_st_ht.head()
store_typeholiday_typesales
0AAdditional957.70
1ABridge969.82
2AEvent813.56
3AHoliday723.28
4ATransfer984.63
plt.scatter(df_st_ht.iloc[:,0],df_st_ht.iloc[:,1],s=df_st_ht.iloc[:,2],c=df_st_ht.iloc[:,2],cmap='plasma')
plt.colorbar()
plt.text(4.7,5.5,'sales')
plt.xlim(-0.5,4.5)
plt.ylim(-0.5,5.5)
plt.title('Average Sales:Store Type vs holiday type ')
plt.show()

在这里插入图片描述

df_y_m_st=df_train1.groupby(['year','month','store_type']).agg({'sales':'mean'}).reset_index()
df_y_m_st['sales']=round(df_y_m_st['sales'],2)
df_y_m_st['month']=df_y_m_st['month'].apply(lambda x:calendar.month_abbr[x])
df_y_m_st.head()
yearmonthstore_typesales
02013JanA392.85
12013JanB155.11
22013JanC109.06
32013JanD191.16
42013JanE60.52

280 rows × 4 columns

# a=df_y_m_st['year']==2013
# df_y_m_st.loc[a,'month']

store_nbr与holiday绘总不同年份

a=df_y_m_st['year']==2013
b=df_y_m_st['year']==2014
c=df_y_m_st['year']==2015
d=df_y_m_st['year']==2016
e=df_y_m_st['year']==2017
fig,ax=plt.subplots(5,1,figsize=(24,20))




ax[0].scatter(df_y_m_st.loc[a,'month'],df_y_m_st.loc[a,'store_type'],df_y_m_st.loc[a,'sales'],c=df_y_m_st.loc[a,'sales'],cmap='plasma')
ax[0].text(12,0.01,'year=2013',size=20,rotation='270')
ax[0].set_xticks([])

ax[1].scatter(df_y_m_st.loc[a,'month'],df_y_m_st.loc[a,'store_type'],df_y_m_st.loc[b,'sales'],c=df_y_m_st.loc[b,'sales'],cmap='plasma')
ax[1].text(12,0.01,'year=2014',size=20,rotation='270')
ax[1].set_xticks([])
ax[2].scatter(df_y_m_st.loc[a,'month'],df_y_m_st.loc[a,'store_type'],df_y_m_st.loc[c,'sales'],c=df_y_m_st.loc[c,'sales'],cmap='plasma')
ax[2].text(12,0.01,'year=2015',size=20,rotation='270')
ax[2].set_xticks([])
ax[3].scatter(df_y_m_st.loc[a,'month'],df_y_m_st.loc[a,'store_type'],df_y_m_st.loc[d,'sales'],c=df_y_m_st.loc[d,'sales'],cmap='plasma')
ax[3].text(12,0.01,'year=2016',size=20,rotation='270')
ax[3].set_xticks([])
ax[4].scatter(df_y_m_st.loc[e,'month'],df_y_m_st.loc[e,'store_type'],df_y_m_st.loc[e,'sales'],c=df_y_m_st.loc[e,'sales'],cmap='plasma')
ax[4].text(11.5,0.01,'year=2017',size=20,rotation='270')
ax[4].set_xticks(['Jan','Feb','Mar','Apr','May','Jun','Jul','Aug','Oct','Sep','Nve','Dec'])
for i in range(5):
    ax[i].spines['top'].set_visible(False)
    ax[i].spines['right'].set_visible(False)
    ax[i].spines['bottom'].set_visible(False)
    ax[i].spines['left'].set_visible(False)
    ax[i].set_ylim([-0.5,5])
    ax[i].set_xlim([-0.5,15])
    ax[i].tick_params(axis='both',which='major',labelsize=25)#改变坐标轴的大小
#     ax[i].set_colorbar()   

fig.colorbar(ax[0].scatter(df_y_m_st.loc[a,'month'],df_y_m_st.loc[a,'store_type'],df_y_m_st.loc[a,'sales'],c=df_y_m_st.loc[a,'sales'],cmap='plasma'), ax=[ax[0], ax[1],ax[2],ax[3],ax[4]], shrink=0.9)


plt.text(16,32,'sales',size=20)
plt.show()

在这里插入图片描述

month与holiday绘总

df_m_ht=df_train1.groupby(['month','holiday_type']).agg({'sales':'mean'}).reset_index()
df_m_ht['sales']=round(df_m_ht['sales'],2)
df_m_ht['month']=df_m_ht['month'].apply(lambda x :calendar.month_abbr[x])

plt.scatter(df_m_ht.iloc[:,0],df_m_ht.iloc[:,1],s=df_m_ht.iloc[:,2],c=df_m_ht.iloc[:,2],cmap='plasma')
plt.colorbar()
plt.text(12.5,6,'sales')
plt.xlim(-1,12)
plt.ylim(-0.5,5.5)
plt.title('Average Sales:Month vs holiday type ')
plt.show()

在这里插入图片描述

df_y_m_ht=df_train1.groupby(['year','month','holiday_type']).agg({'sales':'mean'}).reset_index()
df_y_m_ht['sales']=round(df_y_m_ht['sales'],2)
df_y_m_ht['month']=df_y_m_ht['month'].apply(lambda x:calendar.month_abbr[x])
df_y_m_ht.head()
yearmonthholiday_typesales
02013JanHoliday1.41
12013JanWork Day247.08
22013FebHoliday164.82
32013MarHoliday307.44
42013AprHoliday228.52

96 rows × 4 columns

month与holiday绘总不同年份

a=df_y_m_ht['year']==2013
b=df_y_m_ht['year']==2014
c=df_y_m_ht['year']==2015
d=df_y_m_ht['year']==2016
e=df_y_m_ht['year']==2017
fig,ax=plt.subplots(5,1,figsize=(24,20))

ax[0].scatter(df_y_m_ht.loc[a,'month'],df_y_m_ht.loc[a,'holiday_type'],df_y_m_ht.loc[a,'sales'],c=df_y_m_ht.loc[a,'sales'],cmap='plasma')
ax[0].text(12,0.01,'year=2013',size=20,rotation='270')
ax[0].set_xticks([])

ax[1].scatter(df_y_m_ht.loc[b,'month'],df_y_m_ht.loc[b,'holiday_type'],df_y_m_ht.loc[b,'sales'],c=df_y_m_ht.loc[b,'sales'],cmap='plasma')
ax[1].text(12,0.01,'year=2014',size=20,rotation='270')
ax[1].set_xticks([])
ax[2].scatter(df_y_m_ht.loc[c,'month'],df_y_m_ht.loc[c,'holiday_type'],df_y_m_ht.loc[c,'sales'],c=df_y_m_ht.loc[c,'sales'],cmap='plasma')
ax[2].text(12,0.01,'year=2015',size=20,rotation='270')
ax[2].set_xticks([])
ax[3].scatter(df_y_m_ht.loc[d,'month'],df_y_m_ht.loc[d,'holiday_type'],df_y_m_ht.loc[d,'sales'],c=df_y_m_ht.loc[d,'sales'],cmap='plasma')
ax[3].text(12,0.01,'year=2016',size=20,rotation='270')
ax[3].set_xticks([])
ax[4].scatter(df_y_m_ht.loc[e,'month'],df_y_m_ht.loc[e,'holiday_type'],df_y_m_ht.loc[e,'sales'],c=df_y_m_ht.loc[e,'sales'],cmap='plasma')
ax[4].text(11.5,0.01,'year=2017',size=20,rotation='270')
ax[4].set_xticks(['Jan','Feb','Mar','Apr','May','Jun','Jul','Aug','Oct','Sep','Nve','Dec'])
for i in range(5):
    ax[i].spines['top'].set_visible(False)
    ax[i].spines['right'].set_visible(False)
    ax[i].spines['bottom'].set_visible(False)
    ax[i].spines['left'].set_visible(False)
    ax[i].set_ylim([-0.5,6])
    ax[i].set_xlim([-0.5,12])
    ax[i].tick_params(axis='both',which='major',labelsize=25)#改变坐标轴的大小
#     ax[i].set_colorbar()   

fig.colorbar(ax[0].scatter(df_y_m_ht.loc[a,'month'],df_y_m_ht.loc[a,'holiday_type'],df_y_m_ht.loc[a,'sales'],c=df_y_m_ht.loc[a,'sales'],cmap='plasma'), ax=[ax[0], ax[1],ax[2],ax[3],ax[4]], shrink=0.9)


plt.text(16,32,'sales',size=20)
plt.show()

在这里插入图片描述

信条图
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Sales-Predictions:使用python通过执行数据清理，数据可视化并最终运行最适合的机器学习模型来预测各种商品的销售额
04-12
销售预测项目 该项目分析了在各个商店出售的食品的销售预测。 目的是帮助零售商了解在增加销售中起关键作用的产品和商店的属性。 目标： 探索性数据分析 数据清理 数据可视化 建立机器学习模型 随机森林 提供建议 数据清理 我使用python加载了数据集并导入了库，Pandas和Numpy，以开始探索数据。 前几个步骤需要验证数据类型并检查语法错误。 尽管所有数据类型都是一致的，但两列中缺少值。 在继续之前，Item_Fat_Content列中的语法存在一些需要更改的不一致之处。 例如，字符串是“ LF”，“ reg”，“ low fat”，需要将其映射到“ Low Fat”或“ Regular”下的字典中。 现在我们可以继续处理遗漏的值。 “ Outlet_Size”和“ Outlet_Type”中缺少值。 在填写缺失值之前，我创建了一个No Flag列，以防万一我想检查输入的值如何影响
作业——机器学习教你预测商品销售额
sjl20021006的博客
12-24 9081
（一）作业要求 advertising.csv文件是某商品的广告推广费用（单位为元）和销售额数据（单位为千元），其中每行代表每一周的广告推广费用（包含微信、微博和其他类型三种广告费用）和销售额。若在未来的某两周，将各种广告投放金额按如下分配，请预测对应的商品销售额： （1）微信：100，微博：100，其他类型：100 （2）微信：200，微博：100，其他类型：50 另外，请提交对应的代码。若有对应的说明文档，也请提交。 （二）作业内容 对于这个实验，是机器学习中最常见的一类回归问题，通过已有的
商品销售额预测
微信号：RunsenLiu
05-04 2886
基于历史各项数据预计未来三个月销售额情况 import os.path import pandas as pd import numpy as np import xgboost as xgb base_path = "./data/" 数据读取 # 数据读取 navigation = pd.read_csv(os.path.join(base_path, 'navigation.csv...
基于Python的预测商品销售数据
wm1634208243的博客
07-25 249
在了解了各个条目的含义之后，我们需要对数据进行分析，来确定如何处理和使用这些数据，根据题目中对数据的介绍，我们需要训练的文件主要是 sales_train.csv，该 CSV 文件中包含了日期、月份、商店序号、商品序号、商品价格和每日的销售数量信息。既然题目中要求我们预测 2015 年 11 月的销售数据，我们可以先将所有的训练数据按照店铺进行分类，在针对每个店铺按照不同商品进行分割，最后根据时间顺序训练出相关的预测模型。item_cnt_day- 商品的销售数量，需要预测商品的月销量。
LSTM模型预测时间序列：根据历史销量数据预测商品未来销量
最新发布
Java开发，人工智能，边缘计算，致力于掌握前沿技术
11-24 1万+
经常会遇到一些需要预测的场景，比如预测品牌销售额，预测产品销量。今天分享一波使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。我们先来了解两个主题：什么是时间序列分析？什么是 LSTM？时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。在现实世界的案例中，我们主要有两种类型的时间序列分析：单变量时间序列（只有一列，因此即将到来的未来值将仅取决于它之前的值。如：仅依据历史销量数据预测未来数据）多元时间序列（不同类型的特征值并且目
Kaggle竞赛之销售数据预测
Quentin_he的博客
08-05 4183
之前在广州时便看到kaggle上有一个根据过去的销售数据预测下个月的销量的竞赛，数据量也达到了293万条，本来想那个时候就摸索着尝试做一下，无奈上班时事情太多导致没法专心搞，现在离职不知不觉也有3个月了，趁着空档期决定撸一下学习一下时间序列模型，权当记录一下 项目简介 是一个Coursera课程里的作业，包含6个数据文件 数据描述，另外为了简化将项目中的销量clip在[0,20] 数据探索 ...
AI竞赛6-Kaggle实战之罗斯曼商店销量预测
weixin_60536251的博客
05-26 1661
AI竞赛5-Kaggle实战之罗斯曼商店销量预测
Python-Kaggle产品销售额预测比赛优胜方案
08-11
Kaggle产品销售额预测比赛优胜方案
商品销量预测
every place is the center of the universe
07-22 3692
销量预测模型: 数据格式如下： 说明： 并非每个月都有记录，商品可能超过一月进货 销售数量可能为负数，代表退货 选取进一年的数据，但是商品可能被进货不足一年（商店刚上架不久），或者商品在数据截止日期前就不再存在进货记录（已经停止在该商店销售） 思路： 1.对商店分类，通过RFM模型，选取购买频率高，金额多的商店来分析 2.对商店的商品进行分类，选择模型。（可以根据变异系数划分，商品有新品，热销稳定，长尾不稳定，周期性强的商品） 3.根据数据特征选择模型，如果只有商店的销量数据，比起机器学习的方法，如线性
kaggle——销量预测 Top1%
01-21
这个比赛当时是在jupyter notebook上编程的，这篇博客是之前自己整理的代码和流程记录。 但是很可惜，notebook转markdown显示效果很不好，下面给出目录和代码。 # coding: utf-8 # # 数据分析 # In[59]: # 一般一起用才会管用，否则可能会显示混乱 get_ipython().run_line_magic('config', ZMQInteractiveShell.ast_node_interactivity='all') get_ipython().run_line_magic('pprint', '') # In[60]: # cod
Python-科赛携程出行产品未来14个月销量预测解决方案
08-11
科赛 携程出行产品未来14个月销量预测 解决方案
线下商店销量预测挑战赛
人工智能曾小健
07-29 937
赛事概要 一、赛事背景 企业运营效率的提高主要依托于两个要素：销售预测的精度和供应链的反应速度。销售预测精度高，即便供应链反应速度不快，也能够实现库存与资金的高周转；采购管理、补货管理、销售管理等的基础便是销售预测。 销量预测是个非常经典的时序预测问题，通过一段时间内销售数据，预测未来商品的销量，对商品进行合理的分配和调度，解决供货上的不足或者堆积等问题。 二、赛事任务 给定商店销量历史相关数据和时间等信息，预测商店对应商品的周销量。 三、评审规则 1. 数据说明 赛题数据由训练集和测试集组
找到预测商品的购买者
sundujing的博客
11-02 755
package test;import java.io.BufferedReader; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileWriter; import java.io.IOException; import java.io.InputStreamReader
xgboost回归预测1-商品销量预测
AAurora的博客
02-19 3574
商品销量预测
Kaggle实战Pytorch Forecasting =＞ TemporalFusionTransformer 保姆级0基础代码逐行解析
小哨的博客
04-01 2637
Using Pytorch Forecasting to train a TemporalFusionTransformer
未来销售额预测--kaggle项目笔记
Sun123234的博客
07-26 1516
未来销售额预测--kaggle项目笔记
使用PyTorch-LSTM进行单变量时间序列预测的示例教程
数据派THU
03-09 1532
来源：Deephub Imba本文约4000字，建议阅读10分钟在本教程中，我们将使用PyTorch-LSTM进行深度学习时间序列预测。时间序列是指在一段时间内发生的任何可量化的度量或事件。尽管这听起来微不足道，但几乎任何东西都可以被认为是时间序列。一个月里你每小时的平均心率，一年里一只股票的日收盘价，一年里某个城市每周发生的交通事故数。在任何一段时间段内记录这些信息都被认为是一个时间序列。对于这...
预测商品销量kaggle-predict-future-sales
sinat_20276189的博客
07-29 1374
预测商品销量kaggle-predict-future-sales
Predict Future Sales 预测未来销量, Kaggle 比赛，LB 0.89896 排名6%
热门推荐
Li Kang 笔记本
10-08 1万+
预测未来销售该项目来源于kaggle中的一场比赛的赛题，数据是由日常销售数据组成的时间序列数据集，该数据集由俄罗斯最大的软件公司之一 - 1C公司提供。提供了包括商店，商品，价格，日销量等连续34个月内的数据，要求预测第35个月的各商店各商品的销量。评价指标为RMSE，Baseline是1.1677，我的成绩是0.89896，目前排名178/3200。
零售商品销售预测pyhton
04-27
针对零售商品销售预测，可以使用Python编写相应的算法。下面是一个简单的流程： 1. 收集数据：收集历史销售数据，包括销售量、价格、促销活动、季节性等因素。 2. 数据清洗：对数据进行清洗，确保数据的准确性和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值