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 pltimport seaborn as snsfrom datetime import datetimeplt.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            FalseDayOfWeek        FalseDate             FalseSales            FalseCustomers        FalseOpen             FalsePromo            FalseStateHoliday     FalseSchoolHoliday    Falsedtype: 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    422307.000000mean       6951.782199std        3101.768685min         133.00000025%        4853.00000050%        6367.00000075%        8355.000000max       41551.000000Name: 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+06mean     6.331459e+02std      4.644117e+02min      0.000000e+0025%      4.050000e+0250%      6.090000e+0275%      8.370000e+02max      7.388000e+03Name: 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    8550870    131072a     20260b      6690c      4100Name: StateHoliday, dtype: int64
train_df.StateHoliday_cat.count()
1017209
train_df.tail()

train_df.isnull().all() #查看缺失Out[18]:Store               FalseDayOfWeek           FalseDate                FalseSales               FalseCustomers           FalseOpen                FalsePromo               FalseSchoolHoliday       FalseStateHoliday_cat    Falsedtype: bool

让咱们持续进行商店剖析

store_df.head().append(store_df.tail())

#缺失数据：Store                         0.000000StoreType                     0.000000Assortment                    0.000000CompetitionDistance           0.269058CompetitionOpenSinceMonth    31.748879CompetitionOpenSinceYear     31.748879Promo2                        0.000000Promo2SinceWeek              48.789238Promo2SinceYear              48.789238PromoInterval                48.789238dtype: float64In [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》。

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