Historical Sales and Active Inventory kaggle

本题数据集是来自kaggle的Historical Sales and Active Inventory数据集，该数据集包含了历史销售记录数据和当前活跃库存的数据，在原始数据集中通过FileType特征进行区分（取值分别为Historical和Active），并且在当前活跃库存数据中不存在SoldFlag和SoldCount的值，所以无法用于训练或验证模型。我们去除了当前活跃库存数据，只保留了历史销售记录数据，该数据保存了过去6个月的销售信息。

该数据集包含14个特征，目标特征为SoldFlag（取值0代表无售出，取值1代表有售出），特征SoldCount表示售出的数目，可以用于训练回归模型，在这里不符合我们分类器训练的目的，因此我们将SoldCount列删除掉。

最终数据集包含75996个样本，我们将其中的80%作为训练集（正负类均衡），剩余的20%作为测试集。

包括目标特征在内的13个特征的详细描述如下:

列名	说明	类型	示例
SoldFlag	产品是否售出：1表示在过去的六个月中有售出；0表示无售出	Float	0
Order	序号	Int	2
File_Type	区分本条数据是历史销售记录还是当前的活跃库存，由于在原始数据集的基础上去除了当前活跃库存数据，故只含0值	Int	0
SKU_number	每个产品的唯一标识符	Int	1737127
MarketingType	市场销售类型（即不同的销售渠道）：0或者1	Int	0
ReleaseNumber	释放库存数目	Int	15
New_Release_Flag	是否为新释放库存的货物：0代表否，1代表是	Int	1
StrengthFactor	推广强度系数	Float	682743
PriceReg	标签价格	Float	44.99
ReleaseYear	释放库存年份	Int	2015
Itemcount	数目	Int	8
LowUserPrice	低端用户价格	Float	28.97
LowNetPrice	低端社区价格	Float	31.84

dataset = pd.read_csv("E:\\tianchi\\salesanalysis1\\SalesKaggle3.csv")
dataset.columns=['Order','File_Type','SKU_number','SoldFlag','SoldCount','MarketingType','ReleaseNumber',\
                 'New_Release_Flag','StrengthFactor','PriceReg','ReleaseYear','ItemCount','LowUserPrice','LowUserPrice']

读入文件后选出file_type为历史销售记录的。

dataset=dataset[dataset.File_Type=='Historical']
dataset=dataset[['SoldFlag','Order','SKU_number','MarketingType','ReleaseNumber',\
                 'New_Release_Flag','StrengthFactor','PriceReg','ReleaseYear','ItemCount','LowUserPrice','LowUserPrice']]

用随机森林分类，注意这里要先把字母分类转换成01分类，另外还要注意正负样本平衡，二八比例分出测试机和训练集

from sklearn.ensemble import RandomForestClassifier
import numpy as np
import pandas as pd
dataset['MarketingType']=dataset.MarketingType.apply(lambda x: 0 if x=='D' else 1)
dataset_0=dataset[dataset.SoldFlag=='0']
dataset_1=dataset[dataset.SoldFlag=='1']
dataset_train=pd.concat([dataset_0.iloc[:int(len(dataset_0)*0.8)],dataset_1.iloc[:int(len(dataset_1)*0.8)]])
dataset_test=pd.concat([dataset_0.iloc[int(len(dataset_0)*0.8):],dataset_1.iloc[int(len(dataset_1)*0.8):]])

train_y = dataset_train[[0]].values.ravel()
train_x = dataset_train.iloc[:,1:].values
test_x = dataset_test.iloc[:,1:].values
test_y=dataset_test[[0]].values.ravel()

# create and train the random forest
# multi-core CPUs can use: rf = RandomForestClassifier(n_estimators=100, n_jobs=2)
rf = RandomForestClassifier(n_estimators=100)
rf.fit(train_x, train_y)
pred = rf.predict(test_x)
print rf.score(test_x,test_y)