数据分析必知系列之线性规划问题（ROI &Python 求解线性规划问题）

数据分析始终是为公司的商业目标服务的。商业目标的核心目标之一是利润最大化，而在现实生产中，利润最大化问题必然涉及ROI（return on investment），并且是多种限制条件下资源的最优分配问题，转化为数据建模或者数学问题就是线性规划问题。

线性规划问题，很多同学在高中数学中就学过了，不过在有限的纸笔工具条件下，我们只能求解二元变量的线性规划问题。在商业实际中，变量的数目往往在三个或以上，这时如何求解线性规划问题呢？

很多数学或编程软件可以帮助我们解决这一问题，如Matlab、Maple，Linggo、Lingdo、Python等。现在我们用数据分析中最常用的编程语言Python来求解线性规划问题。

实例：已知某游戏1天内各渠道的导流情况如下：

1. 分析每个渠道

2. 假如公司对这款游戏的月推广预算是1000万（1个月按30天计算），要求在以上渠道中进行广告投放，且要求引入的用户数达到20万以上。如何选择渠道投放能使公司利益最大化？

一、ROI

ROI=净利润/投资资本总额*100%。要计算ROI，首先需要知道成本、收入以及净利润。

ROI就是问题1所要分析的指标。可以根据“ROI=总净利润/总成本”或“ROI=单用户净利润/单用户成本”计算ROI。

分析方法及结果如下表：

显然，ROI和引入用户量是公司重点考虑的指标。从ROI、引入用户量的角度分析，结论如下：

渠道C的ROI最高，B次之，C最低；但渠道A引入用户数量最高，C最低。

二、用Python求解线性规划问题

问题2显然是线性约束下的最优化问题：

目标函数

= 340007200 24708

将上述数学语言转为Python语言：

Python求解线性规划问题的函数是科学计算包scipy中的optimize.lingrog:

scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method=‘simplex’, callback=None, options=None)

1. 函数参数含义

（1） c为目标函数中的系数组成的数组：

若求目标函数最小值，则c为目标函数中各系数组成的数组；

若求目标函数最大值，则c为目标函数中各系数的相反数组成的数组。

（2） A_ub为约束条件中不等式左边系数组成的矩阵，在python中为元素为数组的数组。

若约束不等式为<=，则为约束不等式左边各系数组成的数组；

若约束不等式为>=，则为约束不等式左边各系数的相反数组成的数组。

（3） b_ub为约束条件中不等式右边的常数项组成的数组

若约束不等式为<=，则为约束不等式右边常数项组成的数组；

若约束不等式为>=，则为约束不等式右边常数项的相反数组成的数组。

（4） A_eq为约束条件中等式左边系数组成的矩阵，在python中为元素为数组的数组。

（5） b_ub为约束条件中等式右边的常数项组成的数组。

若没有等式约束条件，则A_eq和b_eq为由0组成的数组，但0的个数须与自变量的个数相等。

上述问题Python代码如下:

输出结果如下：

从输出结果中可以看出：B、C渠道投放的天数均为最大值30天，因为B、C渠道的ROI最高，在能达到“引入的用户数20万以上”的条件下，显然应该优先投放ROI最高的渠道。