共计 5095 个字符，预计需要花费 13 分钟才能阅读完成。
全文下载链接：http://tecdat.cn/?p=17748
最近咱们被客户要求撰写对于销售量工夫序列建模的钻研报告，包含一些图形和统计输入。
在本文中，在数据迷信学习之旅中，我常常解决日常工作中的工夫序列数据集，并据此做出预测
我将通过以下步骤：
探索性数据分析（EDA）
- 问题定义（咱们要解决什么）
- 变量辨认（咱们领有什么数据）
- 单变量剖析（理解数据集中的每个字段）
- 多元分析（理解不同畛域和指标之间的相互作用）
- 缺失值解决
- 离群值解决
- 变量转换
预测建模
- LSTM
- XGBoost
问题定义
咱们在两个不同的表中提供了商店的以下信息：
- 商店：每个商店的 ID
- 销售：特定日期的营业额（咱们的指标变量）
- 客户：特定日期的客户数量
- StateHoliday：假日
- SchoolHoliday：学校假期
- StoreType：4 个不同的商店：a，b，c，d
- CompetitionDistance：到最近的竞争对手商店的间隔（以米为单位）
- CompetitionOpenSince [月 / 年]：提供最近的竞争对手凋谢的大抵年份和月份
- 促销：当天促销与否
- Promo2：Promo2 是某些商店的间断和间断促销：0 = 商店不参加，1 = 商店正在参加
- PromoInterval：形容促销启动的间断区间，并指定从新开始促销的月份。
利用所有这些信息，咱们预测将来 6 周的销售量。
# 让咱们导入 EDA 所需的库：import numpy as np # 线性代数
import pandas as pd # 数据处理，CSV 文件 I / O 导入（例如 pd.read_csv）import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
plt.style.use("ggplot") # 绘图
#导入训练和测试文件：train_df = pd.read_csv("../Data/train.csv")
test_df = pd.read_csv("../Data/test.csv")
#文件中有多少数据：print("在训练集中，咱们有", train_df.shape[0], "个察看值和", train_df.shape[1], 列 / 变量。")
print("在测试集中，咱们有", test_df.shape[0], "个察看值和", test_df.shape[1], "列 / 变量。")
print("在商店集中，咱们有", store_df.shape[0], "个察看值和", store_df.shape[1], "列 / 变量。")在训练集中，咱们有 1017209 个察看值和 9 列 / 变量。
在测试集中，咱们有 41088 个观测值和 8 列 / 变量。
在商店集中，咱们有 1115 个察看值和 10 列 / 变量。
首先让咱们清理 训练数据集。
# 查看数据
train_df.head().append(train_df.tail()) #显示前 5 行。train_df.isnull().all()
Out[5]:
Store False
DayOfWeek False
Date False
Sales False
Customers False
Open False
Promo False
StateHoliday False
SchoolHoliday False
dtype: bool让咱们从第一个变量开始 -> 销售量
opened_sales = (train_df[(train_df.Open == 1) #如果商店停业
opened_sales.Sales.describe()
Out[6]:
count 422307.000000
mean 6951.782199
std 3101.768685
min 133.000000
25% 4853.000000
50% 6367.000000
75% 8355.000000
max 41551.000000
Name: Sales, dtype: float64
<matplotlib.axes._subplots.AxesSubplot at 0x7f7c38fa6588>看一下顾客变量
In [9]:
train_df.Customers.describe()
Out[9]:
count 1.017209e+06
mean 6.331459e+02
std 4.644117e+02
min 0.000000e+00
25% 4.050000e+02
50% 6.090000e+02
75% 8.370000e+02
max 7.388000e+03
Name: Customers, dtype: float64
<matplotlib.axes._subplots.AxesSubplot at 0x7f7c3565d240>train_df[(train_df.Customers > 6000)]咱们看一下 ** 假期 ** 变量。
train_df.StateHoliday.value_counts()0 855087
0 131072
a 20260
b 6690
c 4100
Name: StateHoliday, dtype: int64train_df.StateHoliday_cat.count()1017209train_df.tail()train_df.isnull().all() #查看缺失
Out[18]:
Store False
DayOfWeek False
Date False
Sales False
Customers False
Open False
Promo False
SchoolHoliday False
StateHoliday_cat False
dtype: bool让咱们持续进行商店剖析
store_df.head().append(store_df.tail())# 缺失数据：Store 0.000000
StoreType 0.000000
Assortment 0.000000
CompetitionDistance 0.269058
CompetitionOpenSinceMonth 31.748879
CompetitionOpenSinceYear 31.748879
Promo2 0.000000
Promo2SinceWeek 48.789238
Promo2SinceYear 48.789238
PromoInterval 48.789238
dtype: float64
In [21]:让咱们从缺失的数据开始。第一个是 CompetitionDistance
store_df.CompetitionDistance.plot.box()让我看看异样值，因而咱们能够在均值和中位数之间进行抉择来填充 NaN
点击题目查阅往期内容
Python 中利用长短期记忆模型 LSTM 进行工夫序列预测剖析 – 预测电力负荷数据
左右滑动查看更多
01
02
03
04
短少数据，因为商店没有竞争。因而，我倡议用零填充缺失的值。store_df["CompetitionOpenSinceMonth"].fillna(0, inplace = True)让咱们看一下促销流动。
store_df.groupby(by = "Promo2", axis = 0).count()如果未进行促销，则应将“促销”中的 NaN 替换为零
咱们合并商店数据和训练集数据，而后持续进行剖析。
第一，让咱们按销售量、客户等比拟商店。
f, ax = plt.subplots(2, 3, figsize = (20,10))
plt.subplots_adjust(hspace = 0.3)
plt.show()从图中能够看出，StoreType A 领有最多的商店，销售和客户。然而，StoreType D 的均匀每位客户均匀收入最高。只有 17 家商店的 StoreType B 领有最多的均匀顾客。
咱们逐年查看趋势。
sns.factorplot(data = train_store_df,
# 咱们能够看到季节性，但看不到趋势。该销售额每年放弃不变
<seaborn.axisgrid.FacetGrid at 0x7f7c350e0c50>咱们看一下相干图。
"CompetitionOpenSinceMonth", "CompetitionOpenSinceYear", "Promo2
<matplotlib.axes._subplots.AxesSubplot at 0x7f7c33d79c18>咱们能够失去相关性：
- 客户与销售（0.82）
- 促销与销售（0,82）
- 均匀顾客销量 vs 促销（0,28）
- 商店类别 vs 均匀顾客销量（0,44）
我的剖析论断：
- 商店类别 A 领有最多的销售和顾客。
- 商店类别 B 的每位客户均匀销售额最低。因而，我认为客户只为小商品而来。
- 商店类别 D 的购物车数量最多。
- 促销仅在工作日进行。
- 客户偏向于在星期一（促销）和星期日（没有促销）购买更多商品。
- 我看不到任何年度趋势。仅季节性模式。
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析》。
本文中 剖析的 数据 * 分享到 会员群 *，扫描上面二维码即可加群！
点击题目查阅往期内容
Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
深度学习：Keras 应用神经网络进行简略文本分类剖析新闻组数据
用 PyTorch 机器学习神经网络分类预测银行客户散失模型
PYTHON 用 LSTM 长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python 用 Keras 神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R 语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R 语言深度学习：用 keras 神经网络回归模型预测工夫序列数据
Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R 语言 KERAS 深度学习 CNN 卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB 中用 BP 神经网络预测人体脂肪百分比数据
Python 中用 PyTorch 机器学习神经网络分类预测银行客户散失模型
R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
SAS 应用鸢尾花 (iris) 数据集训练人工神经网络 (ANN) 模型
【视频】R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
Python 应用神经网络进行简略文本分类
R 语言用神经网络改良 Nelson-Siegel 模型拟合收益率曲线剖析
R 语言基于递归神经网络 RNN 的温度工夫序列预测
R 语言神经网络模型预测车辆数量工夫序列
R 语言中的 BP 神经网络模型剖析学生问题
matlab 应用长短期记忆（LSTM）神经网络对序列数据进行分类
R 语言实现拟合神经网络预测和后果可视化
用 R 语言实现神经网络预测股票实例
应用 PYTHON 中 KERAS 的 LSTM 递归神经网络进行工夫序列预测
python 用于 NLP 的 seq2seq 模型实例: 用 Keras 实现神经网络机器翻译
用于 NLP 的 Python：应用 Keras 的多标签文本 LSTM 神经网络分类
