数据预测模型_Python数据分析实战：从0到1的建立销售预测模型

- 点击上方 “中国统计网” 设置⭐星标不迷路！- 文末领取 【Python基础知识思维导图】

用Python进行数据分析的好处是，它的数据分析库目前已经很全面了，有NumPy、pandas、SciPy、scikit-learn、StatsModels，还有深度学习、神经网络的各类包。基本上能满足大部分的企业应用。

而且Python是数据抽取、数据收集整理、数据分析挖掘、数据展示，都可以在同一种Python里实现，避免了开发程序的切换。

这里就和大家分享我做的一个应用实例。解决问题：自动进行销售预测，提高准确率，减少人工一个一个SKU进行预测分析。最终的效果如下图：

1

用到的工具

当然我们只需要用Python和一些库就可以了。

• pandas：数据整理

• numpy：pandas的前提，科学计算

• MySQLdb：mysql数据库链接

• statsmodels：统计建模

• pylab：图形处理

• flask：web框架

2

Flask的安装

在Flask的app目录下建立一个forecasting.py的python文件，在Flask的app的templates目录下建立一个forecastin.html的模版文件，两个文件的内容如下：

forecasting.py

# -*- coding: utf-8 -*- from app import appfrom flask import render_template@app.route('/forecasting/')def forecasting(item=None):    return render_template("forecasting.html")

forecastin.html

<title>Hello Worldtitle>Hello World

在DOS窗口运行

python d:pyflaskrun.py

在浏览器打开http://127.0.0.1:5000/就可以看到forecasting.html模版的内容显示了。

接下来我们从头建一个预测模型。

3

建立数据库并填写数据

CREATE TABLE [Math Processing Error] (  [Math Processing Error] datetime DEFAULT NULL,  [Math Processing Error] float DEFAULT NULL) ENGINE=InnoDB DEFAULT CHARSET=utf8;

数据自己录入啦。

4

相关库的引入

我们现在在之前第2点建立的文件的基础上进行修改，

在forecasting.py的头部引入以下库

# -*- coding: utf-8 -*-  from app import appfrom flask import render_templateimport pylabimport pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport MySQLdbimport pandas.io.sql as sqlimport statsmodels.api as smimport timeimport datetimefrom dateutil.relativedelta import relativedeltaimport random

5

定义路由

@app.route('/forecasting/')

意思就是我们访问例如http://127.0.0.1:5000/forecasting/2的地址对于就是解析到forecasting.py文件，其中是可变的URL部分，如上面的URL的2

6

定义函数

def forecasting(lag=None):

其中lag就是接受URL中的参数，我们定义lag是自回归函数的滞后期数。

7