Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

相关视频：LSTM神经网络架构和工作原理及其在Python中的预测应用

LSTM神经网络架构和原理及其在Python中的预测应用

我将通过以下步骤：

探索性数据分析（EDA）

问题定义（我们要解决什么）

变量识别（我们拥有什么数据）

单变量分析（了解数据集中的每个字段）

多元分析（了解不同领域和目标之间的相互作用）

缺失值处理

离群值处理

变量转换

预测建模

LSTM

XGBoost

问题定义

我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（我们的目标变量）

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距离（以米为单位）

CompetitionOpenSince [月/年]：提供最近的竞争对手开放的大致年份和月份

促销：当天促销与否

Promo2：Promo2是某些商店的连续和连续促销：0 =商店不参与，1 =商店正在参与

PromoInterval：描述促销启动的连续区间，并指定重新开始促销的月份。

利用所有这些信息，我们预测未来6周的销售量。

# 让我们导入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，我们有", train\_df.shape\[0\], "个观察值和", train\_df.shape\[1\], 列/变量。")

print("在测试集中，我们有", test\_df.shape\[0\], "个观察值和", test\_df.shape\[1\], "列/变量。")

print("在商店集中，我们有", store\_df.shape\[0\], "个观察值和", store\_df.shape\[1\], "列/变量。")

在训练集中，我们有1017209个观察值和9列/变量。

在测试集中，我们有41088个观测值和8列/变量。

在商店集中，我们有1115个观察值和10列/变量。

首先让我们清理  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

让我们从第一个变量开始->  销售量

opened\_sales = (train\_df\[(train_df.Open == 1) #如果商店开业

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

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

train\_df\[(train\_df.Customers > 6000)\]

train\_df.StateHoliday.value\_counts()

0    855087

0    131072

a     20260

b      6690

c      4100

Name: StateHoliday, dtype: int64

train\_df.StateHoliday\_cat.count()

1017209

train_df.tail()

train_df.isnull().all() #检查缺失

Out\[18\]:

Store               False

DayOfWeek           False

Date                False

Sales               False

Customers           False

Open                False

Promo               False

SchoolHoliday       False

StateHoliday_cat    False

dtype: bool

让我们继续进行商店分析

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 \[21\]:

让我们从缺失的数据开始。第一个是 CompetitionDistance

store_df.CompetitionDistance.plot.box()

让我看看异常值，因此我们可以在均值和中位数之间进行选择来填充NaN

缺少数据，因为商店没有竞争。 因此，我建议用零填充缺失的值。

store_df\["CompetitionOpenSinceMonth"\].fillna(0, inplace = True)

让我们看一下促销活动。

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

我们合并商店数据和训练集数据，然后继续进行分析。

第一，让我们按销售量、客户等比较商店。

f, ax = plt.subplots(2, 3, figsize = (20,10))

plt.subplots_adjust(hspace = 0.3)

plt.show()

从图中可以看出，StoreType A拥有最多的商店，销售和客户。但是，StoreType D的平均每位客户平均支出最高。只有17家商店的StoreType B拥有最多的平均顾客。

我们逐年查看趋势。

sns.factorplot(data = train\_store\_df,

# 我们可以看到季节性，但看不到趋势。 该销售额每年保持不变

我们看一下相关图。

"CompetitionOpenSinceMonth", "CompetitionOpenSinceYear", "Promo2

我们可以得到相关性：

客户与销售（0.82）

促销与销售（0,82）

平均顾客销量 vs促销（0,28）

商店类别 vs 平均顾客销量 （0,44）

我的分析结论：

商店类别 A拥有最多的销售和顾客。

商店类别 B的每位客户平均销售额最低。因此，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。

客户倾向于在星期一（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。