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

全文下载链接：http://tecdat.cn/?p=17748

最近我们被客户要求撰写关于销售量时间序列建模预测的研究报告，包括一些图形和统计输出。

在本文中，在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测 。

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


<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)]

我们看一下**假期** 变量。

train_df.StateHoliday.value_counts()

0    855087
0    131072
a     20260
b      6690
c      4100
Name: StateHoliday, dtype: 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

点击标题查阅往期内容

Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据

左右滑动查看更多

01

02

03

04

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


<seaborn.axisgrid.FacetGrid at 0x7f7c350e0c50>

我们看一下相关图。

"CompetitionOpenSinceMonth", "CompetitionOpenSinceYear", "Promo2

<matplotlib.axes._subplots.AxesSubplot at 0x7f7c33d79c18>

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。

本文选自《Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析》。