Pandas时间序列预测：未卜知的奶茶销量-CSDN博客

本文链接：https://blog.csdn.net/qq_41707090/article/details/147915994

关注不迷路，点赞走好运！！！

一、数据魔法学院：奶茶店的时光机

想象你经营着奶茶店"时间の茶"🧋，每天面对这样的灵魂拷问：

明天该备多少珍珠？  
周末会下雨影响销量吗？  
新品芒果椰椰能成爆款吗？

传统经验就像盲盒游戏，而Pandas的时间序列预测就是你的"时间转换器"，让数据开口说话！

import pandas as pd
import numpy as np

生成2024年销售数据（含季节波动和节日效应）
日期轴 = pd.date_range("2024-01-01", "2024-12-31", freq="D")
销量 = 200 + 50*np.sin(2*np.pi*日期轴.dayofyear/365)  # 基础波动
销量 += np.where(日期轴.month.isin([6,7,8]), 80, 0)  # 夏季加成
销量 += np.where(日期轴.weekday >=5, 30, 0)  # 周末效应
销量 = np.round(销量 + np.random.normal(0, 20, len(日期轴)))  # 随机扰动

奶茶销售表 = pd.DataFrame({"日期":日期轴, "销量":销量})
print("🔮魔法数据预览：")
print(奶茶销售表.sample(3))

二、数据变形记：让时间开口说话

2.1 时间特征炼金术

日期特征分解
奶茶销售表['月份'] = 奶茶销售表.日期.dt.month
奶茶销售表['星期'] = 奶茶销售表.日期.dt.weekday
奶茶销售表['是否周末'] = 奶茶销售表.星期 >= 5
奶茶销售表['节假日'] = 奶茶销售表.日期.isin(pd.date_range("2024-10-01", periods=7))  # 模拟国庆假期

滞后特征生成
for lag in [1,7,30]:
    奶茶销售表[f'销量_滞后{lag}天'] = 奶茶销售表.销量.shift(lag)

print("\n⏳时间魔法矩阵：")
print(奶茶销售表.iloc[30:33, -4:])

2.2 季节波动透视眼

from statsmodels.tsa.seasonal import seasonal_decompose

时间序列分解
分解结果 = seasonal_decompose(奶茶销售表.set_index('日期')['销量'], model='additive')
分解结果.plot()
plt.title("销量成分拆解图")
plt.show()

三、预言家训练营：ARIMA模型实战

3.1 模型参数调优咒语

from statsmodels.tsa.arima.model import ARIMA

黄金参数组合（p,d,q）=(2,1,1)
model = ARIMA(奶茶销售表.销量, order=(2,1,1))
model_fit = model.fit()
print("\n🔮模型诊断报告：")
print(model_fit.summary())

3.2 未来七天预言术

生成预测结果
预测天数 = 7
预测结果 = model_fit.get_forecast(steps=预测天数)
预测区间 = 预测结果.conf_int()

可视化展示
plt.figure(figsize=(12,6))
plt.plot(奶茶销售表.日期, 奶茶销售表.销量, label='历史销量')
plt.plot(pd.date_range("2025-01-01", periods=预测天数), 
        预测结果.predicted_mean, 
        'r--', label='预测值')
plt.fill_between(pd.date_range("2025-01-01", periods=预测天数),
                预测区间.iloc[:,0],
                预测区间.iloc[:,1], color='pink', alpha=0.3)
plt.title("未来七日销量预言")
plt.legend()
plt.show()

四、黑科技升级：XGBoost时间融合

from xgboost import XGBRegressor

特征矩阵构建
特征集 = 奶茶销售表.dropna().drop('日期', axis=1)
X = 特征集.drop('销量', axis=1)
y = 特征集.销量

时间穿越验证（防止数据泄漏）
model_xgb = XGBRegressor()
model_xgb.fit(X[:-预测天数], y[:-预测天数])

预测效果展示
未来特征 = 特征集.iloc[-预测天数:].drop('销量', axis=1)
预测结果_xgb = model_xgb.predict(未来特征)

print("\n🤖XGBoost预测结果：")
print(pd.DataFrame({
    "日期": pd.date_range("2025-01-01", periods=预测天数),
    "预测销量": np.round(预测结果_xgb)
}))

五、避坑指南：时间魔法师手册

常见陷阱	典型症状	解药配方	原理剖析
未来数据泄漏	预测准确率虚高	时间序列交叉验证	避免用未来数据训练模型
季节波动忽视	预测曲线像心电图	增加周期性特征	捕捉月/周/季节规律
异常值污染	预测结果突变	3σ原则清洗数据	消除极端值干扰
静态模型陷阱	预测误差随时间增大	滚动窗口更新模型	适应数据分布变化

六、商业魔法：预测驱动经营决策

动态库存建议系统
库存系数 = 1.2  # 安全库存系数
建议采购量 = (预测结果.predicted_mean * 库存系数).astype(int)

print("\n📦智能采购建议：")
采购表 = pd.DataFrame({
    "日期": pd.date_range("2025-01-01", periods=预测天数),
    "预测销量": 预测结果.predicted_mean.astype(int),
    "建议备货量": 建议采购量
})
print(采购表)

生成经营日报
采购表.to_csv("明日采购清单.csv", index=False)