全国数学建模比赛2023年C题数据分析代码（仅供参考）

于 2024-08-19 23:26:53 发布
阅读量2.3k 收藏 42
点赞数 40
分类专栏： 全国数学建模大赛 文章标签： 数学建模 c语言 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_66547608/article/details/141336931
版权

数据分析代码

代码一：

一、导入库和设置中文字体

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['simHei']
plt.rcParams['axes.unicode_minus'] = False

这段代码导入了pandas库和matplotlib.pyplot模块，并设置了中文字体为simHei，同时解决了负号显示问题。

二、读取数据

df_1 = pd.read_excel('附件1.xlsx')
df_3 = pd.read_excel('附件3.xlsx')
print(df_1)
print(df_3)

这里分别从两个 Excel 文件中读取数据到df_1和df_3两个DataFrame对象，并打印出来以便查看数据的初步情况。

 

 

三、处理日期数据

df_3['日期'] = pd.to_datetime(df_3['日期'])
df_3['月份'] = df_3['日期'].dt.month
print(df_3)

将df_3中的日期列转换为datetime类型，然后提取出月份信息并存入新的月份列，并再次打印df_3以查看结果。

 

 

四、添加品类信息

mapping_dict = df_1.set_index('单品编码')['分类名称'].to_dict()
df_3['品类'] = df_3['单品编码'].map(mapping_dict)
print(df_3.head(5))

使用df_1创建一个字典mapping_dict，将df_1中的单品编码作为索引，分类名称作为值。然后通过map方法将df_3中的单品编码映射为对应的分类名称，并添加为新的品类列。最后打印df_3的前 5 行以查看结果。

 

五、分析单品编码出现的季节信息

grouped = df_3.groupby('单品编码')
result = {}
for name, group in grouped:
    unique_months = group['月份'].unique()
    total_months = len(unique_months)
    season = []
    season_list = [0]*4
    # 根据月份判断所属季节并更新相关信息
    if 3 in unique_months or 4 in unique_months or 5 in unique_months:
        season.append(" 春季")
        season_list[0] = 1
    if 6 in unique_months or 7 in unique_months or 8 in unique_months:
        season.append(" 夏季")
        season_list[1] = 1
    if 9 in unique_months or 10 in unique_months or 11 in unique_months:
        season.append(" 秋季")
        season_list[2] = 1
    if 12 in unique_months or 1 in unique_months or 2 in unique_months:
        season.append(" 冬季")
        season_list[3] = 1
    result[name] = {
        '出现的月份': unique_months,
        '总共出现的月份数': total_months,
        '出现的季节': season,
        "季节数": len(season),
        "季节列表": season_list
    }

首先对df_3按照单品编码进行分组，然后遍历每个分组，确定每个单品编码出现的月份和对应的季节信息，将结果存储在一个字典result中。

六、统计出现所有季节的单品编码数量

count_all = 0
count_all_list = []
for key, value in result.items():
    if value['季节数'] == 4:
        count_all += 1
        count_all_list.append(key)
print(count_all)
print(count_all_list)

遍历前面得到的结果字典result，统计出现所有四个季节的单品编码数量，并将这些单品编码存储在一个列表中，最后打印出数量和列表。

 

七、分析单品编码一年中出现的天数分布

df_3['年份'] = df_3['日期'].dt.year
result = df_3.groupby(['单品编码', '年份']).agg({'日期': 'nunique'}).reset_index() 
result.rename(columns={'日期': '天数'}, inplace=True)
max_days = result.groupby('单品编码')['天数'].max().reset_index()
plt.hist(max_days['天数'], bins=35, edgecolor='k')
plt.xlabel('天数')
plt.ylabel(' 频 数 ') 
plt.title('天数分布直方图') 
plt.show()
filtered_df = max_days[max_days['天数'] <= 15] 
cnt = 0
cnt_list = []
for index, row in filtered_df.iterrows(): 
    cnt_list.append(row['单品编码'])
    print(f" 单品编码：{row['单品编码']}，一年最多出现{row['天数']}天") 
    cnt += 1
print(cnt)

首先在df_3中添加年份列，然后统计每个单品编码在每年中不同日期的数量（天数），接着找出每个单品编码在所有年份中出现的最大天数，绘制天数分布直方图，并筛选出一年中出现天数不超过 15 天的单品编码，统计数量并打印相关信息。

 

 

 

完整代码：

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['simHei']
plt.rcParams['axes.unicode_minus'] = False
#%%
df_1=pd.read_excel('附件1.xlsx')
df_3=pd.read_excel('附件3.xlsx')
print(df_1)
print(df_3)
#%%
df_3['日期'] = pd.to_datetime(df_3['日期'])
df_3['月份'] = df_3['日期'].dt.month
print(df_3)
# 分品类
mapping_dict = df_1.set_index('单品编码')['分类名称'].to_dict()
df_3['品类'] = df_3['单品编码'].map(mapping_dict)
print(df_3.head(5))
#%%
grouped = df_3.groupby('单品编码')
result = {}
print(grouped)
#%%
for name, group in grouped:
    unique_months = group['月份'].unique()
    total_months = len(unique_months)
    season = []
    season_list = [0]*4
    if 3 in unique_months or 4 in unique_months or 5 in unique_months:
        season.append(" 春季")
        season_list[0] = 1
    if 6 in unique_months or 7 in unique_months or 8 in unique_months:
        season.append(" 夏季")
        season_list[1] = 1
    if 9 in unique_months or 10 in unique_months or 11 in unique_months:
        season.append(" 秋季")
        season_list[2] = 1
    if 12 in unique_months or 1 in unique_months or 2 in unique_months:
        season.append(" 冬季")
        season_list[3] = 1
    result[name] = {
	'出现的月份': unique_months,
    '总共出现的月份数': total_months,
	'出现的季节': season,
	"季节数": len(season),
	"季节列表": season_list
	}
count_all = 0
count_all_list = []
# for key, value in result.items():
#     print(f"当前处理的键: {key}, 值: {value}")  # 输出当前处理的键值对
#     if '季节数' in value:  # 先检查键是否存在
#         if value['季节数'] == 4:
#             count_all += 1
#             count_all_list.append(key)
#     else:
#         print(f"键 '季节数' 在 {key} 对应的字典中不存在")  # 输出提示信息
for key, value in result.items():
    if value['季节数'] == 4:
        count_all += 1
        count_all_list.append(key)
# print(f" 单品编码 {key} 出现在以下月份: {', '.join(map(str, value['出现的月份']))}，总共出现的月份数: {value['总共现的月份数']}, 出现在 {value['出现的季节']}")
print(count_all)
print(count_all_list)
#%%
df_3['年份'] = df_3['日期'].dt.year
result = df_3.groupby(['单品编码', '年份']).agg({'日期': 'nunique'}).reset_index() 
result.rename(columns={'日期': '天数'}, inplace=True)

#print(result)

max_days = result.groupby('单品编码')['天数'].max().reset_index()
# print(max_days)
plt.hist(max_days['天数'], bins=35, edgecolor='k') # 可自行调整 bins 参数来设置柱子数量
plt.xlabel('天数')
plt.ylabel(' 频 数 ') 
plt.title('天数分布直方图') 
plt.show()
filtered_df = max_days[max_days['天数'] <= 15] 
cnt = 0
cnt_list = []
for index, row in filtered_df.iterrows(): 
    cnt_list.append(row['单品编码'])
    print(f" 单品编码：{row['单品编码']}，一年最多出现{row['天数']}天") 
    cnt += 1
print(cnt)

 代码二：

一、导入库和设置中文字体

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = [u'simHei']
plt.rcParams['axes.unicode_minus'] = False

这段代码导入了pandas库和matplotlib.pyplot模块，并设置了中文字体为simHei，同时解决了负号显示问题。

二、数据读入和预处理

# 数据读入
df_1_2 = pd.read_excel('附件1.xlsx')
df_2_1 = pd.read_excel('附件2.xlsx')
# 将指定列转换为时间序列
df_2_1['销售日期'] = pd.to_datetime(df_2_1['销售日期'])
df_2_1['扫码销售时间'] = pd.to_datetime(df_2_1['销售日期'].astype(str) + ' ' + df_2_1['扫码销售时间'], errors='coerce', format='%Y-%m-%d %H:%M:%S.%f')
# 计算销售金额
df_2_1['销售金额'] = df_2_1['销量(千克)'] * df_2_1['销售单价(元/千克)']
# 分品类
mapping_dict = df_1_2.set_index('单品编码')['分类名称'].to_dict()
df_2_1['品类'] = df_2_1['单品编码'].map(mapping_dict)
print(df_2_1.head(5))

这里从两个 Excel 文件中读取数据到df_1_2和df_2_1两个DataFrame对象。然后将df_2_1中的销售日期和扫码销售时间列转换为时间序列，并通过销量和单价计算销售金额。接着，从df_1_2创建一个映射字典，为df_2_1添加品类列，最后打印df_2_1的前 5 行以查看结果。

三、处理没有销量的数据

unique_values_df_2_1 = df_2_1['单品编码'].unique()
unique_values_df_1_2 = df_1_2['单品编码'].unique()
values_only_in_df_1_2 = set(unique_values_df_1_2) - set(unique_values_df_2_1)
count_values_only_in_df_1_2 = len(values_only_in_df_1_2)

print("df_2_1 列'单品编码'的唯一值个数：", len(unique_values_df_2_1))
print("df_1_2 列'单品编码'的唯一值个数：", len(unique_values_df_1_2))
print("df_1_2 中有但是 df_2_1 中没有的值：", values_only_in_df_1_2)
print(" 这些值的个数：", count_values_only_in_df_1_2)

这段代码找出了df_1_2中有但df_2_1中没有的单品编码，并打印了相关信息。

四、找出销售天数少的单品

threshold_1 = 10
result = df_2_1.groupby('单品编码')['销售日期'].nunique().reset_index()
result.rename(columns={'销售日期': '销售天数'}, inplace=True)

hist, bins = np.histogram(result['销售天数'], bins=10)
bin_centers = 0.5 * (bins[:-1] + bins[1:])
cmap = plt.cm.coolwarm
norm = plt.Normalize(vmin=min(hist), vmax=max(hist))

colors = cmap(norm(hist))
plt.figure(figsize=(8,6))
bars = plt.bar(bin_centers, hist, width=bins[1] - bins[0], color=colors, edgecolor='k', alpha=0.7)

for i, count in enumerate(hist):
    plt.text(bin_centers[i], count + 5, str(count), ha='center', va='bottom')

plt.xlabel('销售天数')
plt.ylabel('单品数')
plt.title('销售天数分布直方图')
plt.grid(True)

sm = ScalarMappable(cmap=cmap, norm=norm)
sm.set_array([])
cbar = plt.colorbar(sm, ax=plt.gca(), orientation='vertical')
cbar.set_label('计数', rotation=90, labelpad=15)

plt.show()

filtered_result = result[result['销售天数'] <= threshold_1]
count = filtered_result.shape[0]
list_1 = []
for index, row in filtered_result.iterrows():
    if row[" 销售天数"] <= threshold_1:
        list_1.append(row[" 单品编码"])
print(f'\n阈值为{threshold_1}时被筛除的单品数量: {count}')
print(" 分别是:")
print(list_1)

这里设置了销售天数的阈值为 10，计算了每个单品编码的不同销售日期数量，绘制了销售天数分布直方图，并找出销售天数小于等于阈值的单品编码，打印了相关信息。

五、找出销量低的单品

threshold_2 = 0.00003
grouped = df_2_1.groupby('单品编码')['销量(千克)'].sum().reset_index()
print(len(grouped))
total_sales = grouped['销量(千克)'].sum()
grouped['销量占比'] = grouped['销量(千克)'] / total_sales
low_percentage_groups = grouped[grouped['销量占比'] < threshold_2]['单品编码']

list_2 = low_percentage_groups.to_list()
print("\n所有组的销量总和:", total_sales)
print(f" 销量占比低于{threshold_2}的组的单品编码:")
print(list_2)
print(f" 总数是：{len(low_percentage_groups)}")

data_g = []
for i in grouped['销量占比']:
    if i <= threshold_2:
        data_g.append(i)

bins = 10
n, bins, patches = plt.hist(data_g, bins=bins, edgecolor='k')
plt.xlabel('销量占比')
plt.ylabel('频数')
plt.title('销量占比直方图')
plt.grid()
for i, rect in enumerate(patches):
    height = rect.get_height()
    plt.annotate(f'{height}', xy=(rect.get_x() + rect.get_width() / 2, height), xytext=(0, 5), textcoords='offset points', ha='center', va='bottom')
plt.show()

设置了销量占比的阈值为 0.00003，计算了每个单品编码的总销量和销量占比，找出销量占比小于阈值的单品编码，绘制了销量占比直方图，并打印了相关信息。

六、取交集

intersection = list(set(list_1) & set(list_2))
print(f"\n交集数量为：{len(intersection)}")
print(intersection)

计算了销售天数少和销量低的单品编码的交集，并打印了交集数量和交集内容。

七、查看特定单品编码的销售情况

target_item = intersection[1]
grouped = df_2_1.groupby(['单品编码', '销售日期'])['销量(千克)'].sum().reset_index()
filtered_df_2_1 = grouped[grouped['单品编码'] == target_item]
print(filtered_df_2_1)

plt.figure(figsize=(10, 6))
plt.plot(filtered_df_2_1['销售日期'], filtered_df_2_1['销量(千克)'], marker='o', linestyle='-')
plt.title(f'单品编码 {target_item} 的销售日期和销量折线图')
plt.xlabel('销售日期')
plt.ylabel('销售金额')
plt.grid(True)

plt.show()

从交集中选择一个特定的单品编码，查看其销售日期和销量情况，并绘制折线图。

完整代码：

mport pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = [u'simHei']
plt.rcParams['axes.unicode_minus'] = False
#%%
# 数据读入
df_1_2=pd.read_excel('附件1.xlsx')
df_2_1=pd.read_excel('附件2.xlsx')
#%%
# 将指定列转换为时间序列
df_2_1['销售日期'] = pd.to_datetime(df_2_1['销售日期'])	
df_2_1['扫码销售时间'] = pd.to_datetime(df_2_1['销售日期'].astype(str) + ' ' + df_2_1['扫码销售时间'],errors='coerce',format='%Y-%m-%d %H:%M:%S.%f')
# 计算销售金额
df_2_1['销售金额'] = df_2_1['销量(千克)'] * df_2_1['销售单价(元/千克)']  # 通过销量和单价计算销售金额
# 分品类
mapping_dict = df_1_2.set_index('单品编码')['分类名称'].to_dict()  # 从df_1_2创建映射字典
df_2_1['品类'] = df_2_1['单品编码'].map(mapping_dict)  # 根据映射字典为df_2_1添加'品类'列
print(df_2_1.head(5))  # 打印df_2_1的前5行

####### 第一步：处理没有销量的数据 ######

unique_values_df_2_1 = df_2_1['单品编码'].unique()  # 获取df_2_1中'单品编码'的唯一值
unique_values_df_1_2 = df_1_2['单品编码'].unique()  # 获取df_2_1_1_2中'单品编码'的唯一值
values_only_in_df_1_2 = set(unique_values_df_1_2) - set(unique_values_df_2_1)  # 找出df_2_1_1_2中有但df_2_1中没有的'单品编码'
count_values_only_in_df_1_2 = len(values_only_in_df_1_2)  # 计算上述差值的数量

print("df_2_1 列'单品编码'的唯一值个数：", len(unique_values_df_2_1))  # 打印df_2_1中'单品编码'唯一值的个数
print("df_1_2 列'单品编码'的唯一值个数：", len(unique_values_df_1_2))  # 打印df_2_1_1_2中'单品编码'唯一值的个数
print("df_1_2 中有但是 df_2_1 中没有的值：", values_only_in_df_1_2)  # 打印df_2_1_1_2中有但df_2_1中没有的'单品编码'值
print(" 这些值的个数：", count_values_only_in_df_1_2)  # 打印个数

####### 第二步：销售天数少（阈值 1）的单品找出来  ########

threshold_1 = 10  # 设置销售天数的阈值

import numpy as np  # 导入numpy库
from matplotlib.cm import ScalarMappable  # 从matplotlib库导入ScalarMappable

result = df_2_1.groupby('单品编码')['销售日期'].nunique().reset_index()  # 按'单品编码'分组，计算每个编码的不同销售日期数量
result.rename(columns={'销售日期': '销售天数'}, inplace=True)  # 重命名列

hist, bins = np.histogram(result['销售天数'], bins=10)  # 计算销售天数的直方图
bin_centers = 0.5 * (bins[:-1] + bins[1:])  # 计算直方图的中心位置
cmap = plt.cm.coolwarm  # 设置颜色映射
norm = plt.Normalize(vmin=min(hist), vmax=max(hist))  # 归一化

colors = cmap(norm(hist))  # 获取颜色
plt.figure(figsize=(8,6))  # 创建图形
bars = plt.bar(bin_centers, hist, width=bins[1] - bins[0], color=colors, edgecolor='k', alpha=0.7)  # 绘制直方图

for i, count in enumerate(hist):  # 为直方图添加数量标签
    plt.text(bin_centers[i], count + 5, str(count), ha='center', va='bottom')

plt.xlabel('销售天数')  # 设置x轴标签
plt.ylabel('单品数')  # 设置y轴标签
plt.title('销售天数分布直方图')  # 设置标题
plt.grid(True)  # 显示网格

sm = ScalarMappable(cmap=cmap, norm=norm)  # 创建ScalarMappable对象
sm.set_array([])  # 设置数组
cbar = plt.colorbar(sm, ax=plt.gca(), orientation='vertical')  # 添加颜色条
cbar.set_label('计数', rotation=90, labelpad=15)  # 设置颜色条标签

plt.show()  # 显示图形

filtered_result = result[result['销售天数'] <= threshold_1]  # 筛选销售天数小于等于阈值的结果
count = filtered_result.shape[0]  # 获取筛选结果的数量
#print(f" 销售天数小于等于 {threshold_1} 的单品编码和数量:")
list_1 = []  # 创建列表
for index, row in filtered_result.iterrows():  # 遍历筛选结果
    if row[" 销售天数"] <= threshold_1:
        list_1.append(row[" 单品编码"])  # 将符合条件的单品编码添加到列表
print(f'\n阈值为{threshold_1}时被筛除的单品数量: {count}')  # 打印筛除的数量
print(" 分别是:")
print(list_1)  # 打印单品编码列表

threshold_2 = 0.00003  # 设置销量占比的阈值

######### 第三步：销量低（阈值 2）的单品找出来 #########

grouped = df_2_1.groupby('单品编码')['销量(千克)'].sum().reset_index()  # 按'单品编码'分组，计算每个编码的总销量
print(len(grouped))  # 打印分组的数量
total_sales = grouped['销量(千克)'].sum()  # 计算总销量
grouped['销量占比'] = grouped['销量(千克)'] / total_sales  # 计算每个编码的销量占比
low_percentage_groups = grouped[grouped['销量占比'] < threshold_2]['单品编码']  # 筛选销量占比小于阈值的单品编码

list_2 = low_percentage_groups.to_list()  # 将筛选结果转换为列表
print("\n所有组的销量总和:", total_sales)  # 打印总销量
print(f" 销量占比低于{threshold_2}的组的单品编码:")
print(list_2)  # 打印单品编码列表

print(f" 总数是：{len(low_percentage_groups)}")  # 打印数量

data_g = []  # 创建列表
for i in grouped['销量占比']:  # 遍历销量占比
    if i <= threshold_2:
        data_g.append(i)  # 将符合条件的销量占比添加到列表

bins = 10  # 设置直方图的箱数
n, bins, patches = plt.hist(data_g, bins=bins, edgecolor='k')  # 绘制销量占比的直方图
plt.xlabel('销量占比')  # 设置x轴标签
plt.ylabel('频数')  # 设置y轴标签
plt.title('销量占比直方图')  # 设置标题
plt.grid()  # 显示网格
for i, rect in enumerate(patches):  # 为直方图添加数量标签
    height = rect.get_height()
    plt.annotate(f'{height}', xy=(rect.get_x() + rect.get_width() / 2, height), xytext=(0, 5), textcoords='offset points', ha='center', va='bottom')
plt.show()  # 显示图形

########### 第四步：取交集 ###########

# 将列表转换为集合，然后取交集
intersection = list(set(list_1) & set(list_2))  # 计算两个列表的交集
print(f"\n交集数量为：{len(intersection)}")  # 打印交集数量
print(intersection)  # 打印交集

############ 第五步：查看 ###########
# 选择特定的单品编码
target_item = intersection[1]  # 从交集中选择第二个单品编码
grouped = df_2_1.groupby(['单品编码', '销售日期'])['销量(千克)'].sum().reset_index()  # 按'单品编码'和'销售日期'分组，计算销量总和
filtered_df_2_1 = grouped[grouped['单品编码'] == target_item]  # 筛选出特定单品编码的结果
print(filtered_df_2_1)  # 打印筛选结果

# 绘制折线图
plt.figure(figsize=(10, 6))  # 创建图形
plt.plot(filtered_df_2_1['销售日期'], filtered_df_2_1['销量(千克)'], marker='o', linestyle='-')  # 绘制折线图
plt.title(f'单品编码 {target_item} 的销售日期和销量折线图')  # 设置标题
plt.xlabel('销售日期')  # 设置x轴标签
plt.ylabel('销售金额')  # 设置y轴标签
plt.grid(True)  # 显示网格

# 显示折线图
plt.show()  # 显示图形

 

 

 

数据集（例样）

销售日期扫码销售时间单品编码销量(千克)销售单价(元/千克)销售类型是否打折销售
2020-07-0109:15:07.9241029000051170560.396 7.60 销售否
2020-07-0109:17:27.2951029000051159600.849 3.20 销售否
2020-07-0109:17:33.9051029000051170560.409 7.60 销售否
2020-07-0109:19:45.4501029000051158230.421 10.00 销售否
2020-07-0109:20:23.6861029000051159080.539 8.00 销售否
2020-07-0109:21:55.5561029000051170560.277 7.60 销售否
2020-07-0109:21:56.5361029000051157790.338 8.00 销售否
2020-07-0109:22:01.2741029000051170560.132 7.60 销售否
2020-07-0109:22:01.4761029000051157790.213 8.00 销售否
2020-07-0109:22:15.9981029000110085220.514 8.00 销售否
2020-07-0109:22:21.2641029000051188240.251 10.00 销售否
2020-07-0109:24:21.8331029000051159840.251 6.00 销售否
2020-07-0109:24:21.9051029000051165300.217 18.00 销售否
2020-07-0109:24:57.8731029000051159840.468 6.00 销售否
2020-07-0109:25:31.3421029000051162260.589 8.00 销售否
2020-07-0109:25:45.8111029000051188240.711 10.00 销售否
2020-07-0109:26:04.5301029000051157791.003 8.00 销售否
2020-07-0109:28:01.9831029000051165300.095 18.00 销售否
2020-07-0109:30:17.0451029000051162330.150 10.00 销售否
2020-07-0109:30:26.9481029000051159840.502 6.00 销售否
2020-07-0109:31:42.4831029000051159840.452 6.00 销售否
2020-07-0109:32:25.6231029000051159080.501 8.00 销售否
2020-07-0109:32:59.7011029000051157790.201 8.00 销售否
2020-07-0109:33:08.9811029000051157790.439 8.00 销售否
2020-07-0109:33:09.5791029000051157620.686 6.00 销售否
2020-07-0109:33:09.9981029000051167140.329 14.00 销售否
2020-07-0109:35:02.4771029000051159080.251 8.00 销售否
2020-07-0109:35:02.5571029000051188170.243 14.00 销售否
2020-07-0109:35:13.1641029000051165300.256 18.00 销售否
2020-07-0109:35:40.4561029000051159840.318 6.00 销售否
2020-07-0109:36:36.1081029000110099700.445 9.00 销售否
2020-07-0109:36:41.2171029000051157790.363 8.00 销售否
2020-07-0109:36:42.4471029000051172090.482 16.00 销售否
2020-07-0109:36:43.1311029000110012190.343 14.00 销售否
2020-07-0109:38:48.3421029000051159840.502 6.00 销售否
2020-07-0109:39:03.6221029000051157790.301 8.00 销售否
2020-07-0109:41:09.3421029000051170560.198 7.60 销售否
2020-07-0109:41:22.2061029000510042940.172 14.00 销售否
2020-07-0109:41:22.7011029000051170560.660 7.60 销售否
2020-07-0109:41:37.8731029000051159840.753 6.00 销售否
2020-07-0109:41:50.6261029000051159840.552 6.00 销售否
2020-07-0109:41:50.9041029000510042940.057 14.00 销售否
2020-07-0109:43:10.1081029000051159601.101 3.20 销售否
2020-07-0109:44:13.9511029000051165470.435 6.00 销售否
2020-07-0109:44:30.8111029000051159840.201 6.00 销售否
单品编码单品名称分类编码分类名称
102900005115168牛首生菜1011010101花叶类
102900005115199四川红香椿1011010101花叶类
102900005115625本地小毛白菜1011010101花叶类
102900005115748白菜苔1011010101花叶类
102900005115762苋菜1011010101花叶类
102900005115779云南生菜1011010101花叶类
102900005115786竹叶菜1011010101花叶类
102900005115793小白菜1011010101花叶类
102900005115816南瓜尖1011010101花叶类
102900005115823上海青1011010101花叶类
102900005115854萝卜叶1011010101花叶类
102900005115861牛首油菜1011010101花叶类
102900005115878茼蒿1011010101花叶类
102900005115885蔡甸藜蒿1011010101花叶类
102900005115908菜心1011010101花叶类
102900005115946木耳菜1011010101花叶类
102900005115960大白菜1011010101花叶类
102900005115977豌豆尖1011010101花叶类
102900005115984云南油麦菜1011010101花叶类
102900005116639马齿苋1011010101花叶类
102900005116776本地菠菜1011010101花叶类
日期单品编码批发价格(元/千克)
2020-07-011029000051157623.88 
2020-07-011029000051157796.72 
2020-07-011029000051157863.19 
2020-07-011029000051157939.24 
2020-07-011029000051158237.03 
2020-07-011029000051159084.60 
2020-07-011029000051159464.20 
2020-07-011029000051159602.10 
2020-07-011029000051159843.44 
2020-07-011029000051162264.64 
2020-07-011029000051162335.76 
2020-07-011029000051162576.56 
2020-07-011029000051165091.63 
2020-07-0110290000511653010.80 
2020-07-011029000051165474.06 
2020-07-011029000051167149.23 
2020-07-011029000051167903.97 
2020-07-011029000051169128.16 
2020-07-011029000051169437.83 
2020-07-011029000051170564.32 
2020-07-011029000051172097.58 
2020-07-011029000051188178.47 
2020-07-011029000051188245.65 
2020-07-011029000051188314.13 
2020-07-0110290000511994410.29 
2020-07-011029000051199753.60 
2020-07-011029000051238807.50 
2020-07-0110290000512580812.10 
2020-07-011029000051258156.16 
2020-07-011029000110012198.24 
2020-07-0110290001100694811.69 
2020-07-011029000110085224.44 
2020-07-011029000110099706.03 
2020-07-0110290005100094429.43 
2020-07-011029000510042946.81 
单品编码单品名称损耗率(%)
102900005115168牛首生菜4.39 
102900005115199四川红香椿10.46 
102900005115250西峡花菇(1)10.80 
102900005115625本地小毛白菜0.18 
102900005115748白菜苔8.78 
102900005115762苋菜18.52 
102900005115779云南生菜15.25 
102900005115786竹叶菜13.62 
102900005115793小白菜7.59 
102900005115816南瓜尖13.46 
102900005115823上海青14.43 
102900005115854萝卜叶5.35 
102900005115861牛首油菜12.17 
102900005115878茼蒿6.27 
102900005115885蔡甸藜蒿0.47 
102900005115908菜心13.70 
102900005115946木耳菜7.61 
102900005115960大白菜22.27 
102900005115977豌豆尖8.36 
102900005115984云南油麦菜12.81 
102900005116042藕15.32 
102900005116219红尖椒6.73 
102900005116226青尖椒6.72 
102900005116233红椒(1)11.76 
102900005116257紫茄子(2)6.07 
102900005116509青茄子(1)5.01 
102900005116530西峡香菇(1)13.82 
102900005116547金针菇(1)3.43 
102900005116639马齿苋11.78 
102900005116714西兰花9.26 
102900005116776本地菠菜10.46 
102900005116790黄心菜(1)10.64 
102900005116806黑油菜0.10 
102900005116837平菇11.60 
102900005116899净藕(1)5.54 
102900005116905青杭椒(1)0.00 
102900005116912姬菇(1)8.99 

 

张謹礧
关注
专栏目录
2023高教社数学建模国赛C题 - 蔬菜类商品的自动定价与补货决策（完整参考论文）
ProminentWu的博客
09-08 6944
摘要商超（超市和零售店）在现代经济中扮演着至关重要的角色，然而，它们在蔬菜商品管理中面临着多重挑战。这些挑战包括如何准确预测销售趋势、合理制定价格策略、以及有效制定补货计划等问题。解决这些问题对于商超来说至关重要，因为它们直接影响着销售收益、库存成本和客户满意度。因此，本研究旨在为商超提供一套全面的蔬菜商品管理策略，以帮助它们更好地应对这些挑战。针对问题一，在蔬菜商品管理中，首要问题之一是如何准确预测销售趋势。这包括了不同蔬菜品类的销售模式，如季节性销售高峰和低谷。我们需要深入了解哪些蔬菜在特定时间段内销售
2023年C题.rar 全国大学生数学建模比赛2023年c题代码
最新发布
08-20
2023年C题.rar 全国大学生数学建模比赛2023年c题代码
2023年数学建模C题论文及处理数据代码
m0_65352580的博客
12-15 4518
蔬菜类商品的新鲜度随着采摘后时间增长而降低。本文主要研究蔬菜类商品由于损耗而产生的补货决策以及定价策略。本文通过使用时间序列以及目标规划的方法，建立了蔬菜类商品的定价与补货决策模型。使用SPSSPRO软件对模型进行求解。
2023第十三届高校数学建模挑战赛C题2021级2022年个路线运货量汇总结果
04-14
2023第十三届高校数学建模挑战赛C题2021级2022年个路线运货量汇总结果，其中包含2个EXCEL文件，每个文件都是一年的数据。
2023高教社杯数学建模国赛C题思路解析+代码+论文
ivanlj的博客
08-29 4万+
2023高教社杯数学建模国赛C题思路解析+代码+参考论文等及如何准备数学建模竞赛 C君将会第一时间发布选题建议、所有题目的思路解析、相关代码、参考文献、参考论文等多项资料
2023高教社杯全国大学生数学建模竞赛C题代码解析
ivanlj的博客
09-07 1万+
在预测模型结束后，根据背景分析，我们下一步可能要做补货决策模型和定价决策模型（这里大家可以看看之前的一道国赛题，机场出租车问题，也是需要很多个决策模型，大家可以从那个的优秀论文里找到一些思路），这里的模型需要兼顾过去的历史数据，以及一些动态变化的数据，比如预测未来的销量，品相对补货情况的影响等等。这里题目也给明了，是要对销量与时间做关联分析，从而寻找到时间对于销量的影响，这里其实也可以用拟合来做，多项式拟合等各种拟合的方式，具体后面看到题目再分析。接着呢，又写了商超销售空间的限制，所以还要对销售进行组合。
2023数模国赛C 题 蔬菜类商品的自动定价与补货决策-完整版创新多思路详解（含代码）
lichensun的博客
09-08 1万+
题目简评：看下来C题是三道题目里简单一些的，考察的点比较综合，偏数据分析。涉及预测模型和运筹优化(线性规划)，还设了一问开放型问题，适合新手入门，发挥空间大。在生鲜商超中，一般蔬菜类商品的保鲜期都比较短，且品相随销售时间的增加而变差， 大部分品种如当日未售出，隔日就无法再售。因此，商超通常会根据各商品的历史销售和需求情况每天进行补货。由于商超销售的蔬菜品种众多、产地不尽相同，而蔬菜的进货交易时间通常在凌3:00-4:00，为此商家须在不确切知道具体单品和进货价格的情况下，做出当日各蔬菜品类的补货决策。
【数学建模】2023数学建模国赛C题完整思路和代码解析
热门推荐
qq_45857113的博客
09-08 5万+
C题第一问代码和求解结果已完成，第一问数据量有点大，经过编程整理出来了单品销售额的汇总数据、将附件2中的单品编码替换为分类编码，整理出了蔬菜各品类随着时间变化的销售量，并做出了这些疏菜品类的皮尔森相关系数的热力图
2023年数学建模国赛B题代码.zip
01-01
【标题】2023年数学建模国赛B题代码.zip 这是一份与2023年全国数学建模竞赛（国赛）B题相关的压缩包资源，其中包含了参赛者可能需要的重要资料和代码参考。数学建模比赛旨在通过解决实际问题，提升学生的数学应用...
c题.rar 2023全国大学生数学建模比赛C题代码 打开即用，学习使用
08-05
2023全国大学生数学建模比赛C题代码 打开即用，学习使用
2023年MathorCup数学建模比赛C题论文代码思路.zip
04-11
1、资源内容：历届数学建模比赛题汇整理资料和一些思路，源码参考。适用于打算参加数学建模思路参考及一些算法参数等。 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为java实战项目，课程设计，毕业...
2023 年高教社杯全国大学生数学建模E题参考代码.zip
09-27
1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 ...
2023 数学建模高教社杯 国赛（C题）建模秘籍&文章代码思路大全
数学建模小秘籍的博客
09-07 6261
小秘籍希望大家都能轻松建模呀，国赛也会持续给大家放松思路滴~要保持积极的心态，不断提高建模和解决问题的能力。完整思路+代码看看这里哦~抓紧小秘籍，我们出发吧~来看看国赛C题的题目~
2023数学建模国赛C题高质量思路
qq_50593822的博客
09-07 1万+
一定要点击文末的卡片，那是获取资料的入口！
2023全国大学生数学建模C题思路+模型+代码+论文（持续更新）
weixin_45499067的博客
09-01 1万+
非线性规划研究一个 n元实函数在一组等式或不等式的约束条件下的极值问题，且 目标函数和约束条件至少有一个是未知量的非线性函数。动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划(如线性规划、非线性规划)，只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。聚类分析或聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集，这样让在同一个子集中的成员对象都有相似的一些属性，常见的包括在坐标系中更加短的空间距离等。
2023 年高教社杯全国大学生数学建模竞赛题C题
qq_60947873的博客
09-07 7307
2023 年高教社杯全国大学生数学建模竞赛题C题简单思路
2023 高教社杯 数学建模国赛（C题）深度剖析
qq_25834913的博客
09-07 2436
我的解题思路是基于数学建模领域的前沿理论和实践研究，具有极强的创新性和实用性。我深入分析了各种数学建模问题，并总结出了一套行之有效的解决方案，帮助大家在竞赛中脱颖而出，或在实际情景中解决问题。我的解题思路的实用性得到了众多用户的认可，许多人已经使用我的方法成功地解决了各种问题，了解了各种思路和技巧。通过使用我的解题思路，大家可以快速理解和掌握数学建模问题，并且取得更好的成绩和效果。作为2021年美国大学生数学建模比赛的O奖得主，我为大家提供了一套优秀的解题思路，让你轻松应对各种难题。本仓库是国赛C题仓库！
2023年数学建模国赛C题数据处理
ys2313的博客
05-30 5368
小白入手2023年数学建模国赛C题，不会数据处理怎么办
2023年全国数学建模比赛c题
09-10
2023年全国数学建模比赛的C题是涉及到建立评价模型和预测模型的问题。参赛者需要考虑不同单词的各种特征因素，并建立一个数学模型来平衡这些因素，以确保能够得到更加准确和全面的预测结果。具体题目的详细描述和要求可以参考相关资料，如参赛指南、选题建议、思路解析等。比赛将于2023年五一节的早上10点正式开始，参赛者可以在比赛开始前做好准备，包括研究相关领域的文献、学习建模方法和技巧等。可以参考C君提供的资料，他将会第一时间发布选题建议、思路解析、代码、参考文献等多项资料，来帮助参赛者取得好成绩。
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

打赏作者

张謹礧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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