北京建设局投诉网站首页,视频直播网站开发与制作,手机域名解析错误怎么解决,优化网站排名推荐公司相关链接
【2023年第十一届泰迪杯数据挖掘挑战赛】B题#xff1a;产品订单的数据分析与需求预测 建模及python代码详解 问题一 【2023年第十一届泰迪杯数据挖掘挑战赛】B题#xff1a;产品订单的数据分析与需求预测 建模及python代码详解 问题二
1 题目
一#xff0e;问题…
相关链接
【2023年第十一届泰迪杯数据挖掘挑战赛】B题产品订单的数据分析与需求预测 建模及python代码详解 问题一 【2023年第十一届泰迪杯数据挖掘挑战赛】B题产品订单的数据分析与需求预测 建模及python代码详解 问题二
1 题目
一问题背景
近年来企业外部环境越来越不确定复杂多变的外部环境让企业供应链面临较多难题。
需求预测作为企业供应链的第一道防线重要程度不言而喻然而需求预测受多种因素的影响导致预测准确率普遍较低因此需要更加优秀的算法来解决这个问题。需求预测是基于历史数据和未来的预判得出的有理论依据的结论有利于公司管理层对未来的销售及运营计划、目标资金预算做决策参考其次需求预测有助于采购计划和安排生产计划的制定 减少受业务波动的影响。如果没有需求预测或者预测不准公司内部很多关于销售、采购、财务预算等决策都只能根据经验而来了会导致对市场预测不足产生库存和资金的积压或不足等问题增加企业库存成本。
二数据说明
附件中的训练数据order_train1.csv提供了国内某大型制造企业在 2015 年 9 月 1日至 2018 年 12 月 20 日面向经销商的出货数据格式见表 1反应了该企业产品在不同销售区域的价格和需求等信息包括order_date订单日期、sales_region_code销售区域编码、item_code产品编码、first_cate_code 产品大类编码、second_cate_code 产品细类编码、sales_chan_name 销售渠道名称、item_price 产品价格和 ord_qty 订单需求量。
表1训练数量历史数据的数据格式
其中“订单日期”为某个需求量的日期一个“产品大类编码”会对应多个“产品细类编码”“销售渠道名称”分为 online线上和 offline线下“线上”是指淘宝和京东等电商平台“线下”是指线下实体经销商。
附件中的预测数据predict_sku1.csv提供了需要预测产品的销售区域编码、产品编码、产品品类和产品细品类格式见表 2。
表2需要预测的产品的数据样例
三需要解决的问题
请对附件中的训练数据order_train1.csv进行深入地分析可参照但不限于下述主
题。
1 产品的不同价格对需求量的影响
2 产品所在区域对需求量的影响以及不同区域的产品需求量有何特性
3 不同销售方式线上和线下的产品需求量的特性
4 不同品类之间的产品需求量有何不同点和共同点
5 不同时间段例如月头、月中、月末等产品需求量有何特性
6 节假日对产品需求量的影响
7 促销如 618、双十一等对产品需求量的影响
8 季节因素对产品需求量的影响。
基于上述分析建立数学模型对附件预测数据predict_sku1.csv中给出的产品预测未来 3 月即 2019 年 1 月、2 月、3 月的月需求量将预测结果按照表 3 的格式保存为文件 result1.xlsx与论文一起提交。请分别按天、周、月的时间粒度进行预测试分析不同的预测粒度对预测精度会产生什么样的影响。
2 问题分析
2.1 问题一
1产品的不同价格对需求量的影响
首先读取数据并提取item_price和ord_qty两列数据 然后根据item_price进行分组统计计算每个价格区间的平均需求量 最后通过散点图将不同价格区间的平均需求量进行可视化展示。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline# 读取数据
df pd.read_csv(data/order_train0.csv)
# 按照产品价格分组并计算平均值
grouped df.groupby(item_price)[ord_qty].mean().reset_index()# 使用 Matplotlib 画图
plt.figure(figsize(10, 6))
plt.plot(grouped[item_price], grouped[ord_qty], o-)
plt.xlabel(Product Price)
plt.ylabel(Average Order Quantity)
plt.title(Relationship between Product Price and Order Quantity)
plt.savefig(img/1.png,dpi300)
# 使用 Seaborn 画图
sns.set_style(darkgrid)
plt.figure(figsize(10, 6))
sns.lineplot(xitem_price, yord_qty, datagrouped)
plt.xlabel(Product Price)
plt.ylabel(Average Order Quantity)
plt.title(Relationship between Product Price and Order Quantity)
plt.savefig(img/2.png,dpi300)从图表中可以看出产品价格与平均订单需求量之间呈现出U形关系即价格较低或较高时订单需求量较高而当价格处于中间区间时订单需求量较低。这可能是因为价格过低会让消费者觉得产品质量不高而价格过高则会让消费者觉得不值得购买。因此合理的定价策略可以在一定程度上提高产品的销售量。
也可以使用回归模型例如线性回归、多项式回归等对产品价格和需求量之间的关系进行建模和预测从而确定价格对需求量的影响。
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression# 读取数据
df pd.read_csv(order_train1.csv)# 绘制散点图
sns.scatterplot(xitem_price, yord_qty, datadf)# 绘制箱线图
sns.boxplot(xitem_price, yord_qty, datadf)# 使用线性回归模型拟合
x df[[item_price]]
y df[[ord_qty]]
model LinearRegression()
model.fit(x, y)
# 输出模型系数和截距
print(Coefficients:, model.coef_)
print(Intercept:, model.intercept_)
2产品所在区域对需求量的影响以及不同区域的产品需求量有何特性
可以通过对不同区域的需求量进行可视化分析例如绘制直方图、箱线图等查看需求量的分布情况。也可以使用ANOVA方差分析等方法来判断不同区域之间的需求量是否存在显著差异从而确定产品所在区域对需求量的影响。
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import f_oneway# 读取数据
df pd.read_csv(order_train1.csv)# 绘制直方图
sns.histplot(xord_qty, huesales_region_code, datadf, kdeTrue)# 绘制箱线图
sns.boxplot(xsales_region_code, yord_qty, datadf)# 进行ANOVA方差分析
grouped_data df.groupby(sales_region_code)[ord_qty].apply(list)
。。。略请下载完整代码
print(F-value:, f_value)
print(P-value:, p_value) 3不同销售方式线上和线下的产品需求量的特性
可以通过绘制不同销售方式的需求量直方图、箱线图等方法来查看产品需求量的分布情况和差异。也可以使用t检验等方法来确定不同销售方式之间的需求量是否存在显著差异。
然后我们可以按照销售渠道名称sales_chan_name将数据分为线上和线下两类计算它们的订单需求量ord_qty的基本统计量包括均值、中位数、最大值、最小值、标准差等以了解它们的分布情况和差异性。
import pandas as pd# 读取数据
data pd.read_csv(order_train1.csv)# 查看数据
print(data.head())# 将数据按照销售渠道名称分为线上和线下两类
online_data data[data[sales_chan_name] online]
offline_data data[data[sales_chan_name] offline]# 计算线上和线下订单需求量的基本统计量
print(线上订单需求量的基本统计量)
print(online_data[ord_qty].describe())print(线下订单需求量的基本统计量)
print(offline_data[ord_qty].describe()) 除了计算订单需求量的基本统计量之外我们还可以通过可视化方式更加直观地了解不同销售方式下产品需求量的特性。在 Python 中我们可以使用 Matplotlib 或者 Seaborn 库进行数据可视化。
import seaborn as sns# 设置图形风格
sns.set(styleticks, palettepastel)# 绘制箱线图分析线上和线下订单需求量的分布情况
sns.boxplot(xsales_chan_name, yord_qty, datadata)# 显示图形
sns.despine(trimTrue) 运行上述代码可以得到一个箱线图展示了线上和线下订单需求量的分布情况。通过比较箱线图的位置、大小和形状等特征我们可以了解不同销售方式下产品需求量的差异性和分布情况。例如如果线上订单需求量的中位数明显高于线下订单需求量的中位数那么我们可以判断线上销售渠道对产品需求量的贡献较大。
import matplotlib.pyplot as plt# 提取线上和线下订单需求量
online_ord_qty data[data[sales_chan_name] online][ord_qty]
offline_ord_qty data[data[sales_chan_name] offline][ord_qty]# 绘制线上和线下订单需求量直方图
。。。略请下载完整代码
labels [Online, Offline]plt.bar(labels, X)
plt.title(Distribution of Sales Channels)
plt.xlabel(Sales Channels)
plt.ylabel(Sales Volume)
plt.show()核密度图可以更加直观地展示数据的分布情况它可以通过对数据进行平滑处理得到一条连续的曲线反映了数据的概率密度分布情况。
import seaborn as sns# 提取线上和线下订单需求量
online_ord_qty data[data[sales_chan_name] online][ord_qty]
offline_ord_qty data[data[sales_chan_name] offline][ord_qty]# 绘制线上和线下订单需求量核密度图
sns.kdeplot(online_ord_qty, shadeTrue, labelOnline)
sns.kdeplot(offline_ord_qty, shadeTrue, labelOffline)
plt.legend(locupper right)
plt.title(Distribution of Order Quantity by Sales Channel)
plt.xlabel(Order Quantity)
plt.ylabel(Density)
plt.show()
从核密度图中可以看出线下销售方式下的产品需求量分布相对于线上销售方式更加集中呈现出一个明显的峰态而线上销售方式下的产品需求量分布比较平滑没有出现明显的峰态。同时线下销售方式下的产品需求量整体偏高而线上销售方式下的产品需求量整体偏低。 # 绘制散点图
sns.scatterplot(datatrain_data, xitem_price, yord_qty, huesales_chan_name)从散点图中可以看出线下销售方式下产品价格与需求量之间的关系似乎比线上销售方式下更加紧密而且线下销售方式下有一些高价格、高需求量的异常值。但是需要注意的是由于数据中的产品价格和需求量都是离散值所以散点图中的点是会有重叠的。
4不同品类之间的产品需求量有何不同点和共同点
按照品类分组计算每个品类的订单需求量的平均值、中位数、标准差等统计指标绘制每个品类的订单需求量的分布直方图对于不同品类之间的需求量进行比较分析找出不同品类之间的不同点和共同点。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt# 读取数据
data pd.read_csv(order_train1.csv)# 按照品类分组计算每个品类的订单需求量的平均值、中位数、标准差等统计指标
category_demand data.groupby(second_cate_code)[ord_qty].agg([mean, median, std])
。。。略请下载完整代码
# 绘制每个品类的订单需求量的分布直方图
category_list data[second_cate_code].unique().tolist()
for category in category_list:demand data.loc[data[second_cate_code] category, ord_qty]plt.hist(demand, bins30)plt.title(fCate:{category})plt.xlabel(Demand)plt.ylabel(Frequency)plt.show()# 对于不同品类之间的需求量进行比较分析找出不同品类之间的不同点和共同点
# 可以使用t检验、方差分析等统计方法 5不同时间段例如月头、月中、月末等产品需求量有何特性
将订单日期按月份进行分组计算每个月份的订单需求量的平均值、中位数、标准差等统计指标绘制每个月份的订单需求量的趋势图将每个月份的订单需求量按照日期进行分组分别计算月初、月中、月末的订单需求量的平均值、中位数、标准差等统计指标对于不同时间段之间的需求量进行比较分析找出不同时间段之间的不同点和共同点。
为了研究不同时间段产品需求量的特性我们需要首先将订单日期进行拆分提取出月初、月中和月末三个时间段的需求量。可以使用 pandas 中的 dt 属性来获取日期时间中的年、月、日、小时等信息。在这里我们可以使用 pandas 中的 cut 函数对订单日期进行分段然后对不同时间段的订单需求量进行统计。
import pandas as pd# 读取数据
data pd.read_csv(order_train1.csv)# 转换订单日期格式为 datetime 类型
data[order_date] pd.to_datetime(data[order_date], format%y/%m/%d)# 根据订单日期将数据进行排序
data data.sort_values(byorder_date)# 按照月初、月中、月末将订单需求量进行分组
。。。略请下载完整代码
time_bins [0, 10, 20, 31]
data[order_date_category] pd.cut(data[order_date].dt.day, binstime_bins, labelstime_labels)# 统计不同时间段的订单需求量
demand_by_time data.groupby(order_date_category)[ord_qty].sum()# 绘制不同时间段的订单需求量柱状图
demand_by_time.plot(kindbar) 6节假日对产品需求量的影响
节假日通常会对消费者的购买行为产生影响因此对产品需求量也会有影响。在此问题中我们可以选取国内的法定节假日对节假日和非节假日进行对比分析。
为了分析节假日对产品需求量的影响可以先对数据进行处理找出所有的节假日以及对应的日期。在本数据集中可以通过观察订单日期order_date列来确定节假日日期例如春节、国庆节等。然后可以计算出每个节假日的平均需求量将其与普通日的需求量进行比较从而分析节假日对产品需求量的影响。
加载数据集并进行数据预处理将订单日期order_date转换为日期格式然后根据日期确定是否为节假日将其标记为1否则标记为0。根据标记将数据集分成两部分一部分为节假日数据一部分为非节假日数据。对于节假日数据和非节假日数据计算每天的平均需求量。将结果可视化比较节假日和非节假日的平均需求量观察是否存在明显差异。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
import holidays# 加载数据集并进行数据预处理
df pd.read_csv(data/order_train0.csv)
df[order_date] pd.to_datetime(df[order_date])
df[is_holiday] df[order_date].isin(holidays.China(years[2015,2016,2017,2018]))
df[is_holiday] df[is_holiday].astype(int)# 将数据集分成两部分节假日数据和非节假日数据
。。。略请下载完整代码# 计算每天的平均需求量
holiday_demand holiday_df.groupby([order_date])[ord_qty].mean()
non_holiday_demand non_holiday_df.groupby([order_date])[ord_qty].mean()# 可视化比较节假日和非节假日的平均需求量
plt.figure(figsize(10,6))
plt.plot(holiday_demand.index, holiday_demand.values, labelHoliday)
plt.plot(non_holiday_demand.index, non_holiday_demand.values, labelNon-Holiday)
plt.title(Average demand on holiday vs non-holiday)
plt.xlabel(Date)
plt.ylabel(Average demand)
plt.legend()
plt.show()7促销对产品需求量的影响
促销活动通常可以提高产品的销售量因此对产品需求量也会有影响。在此问题中我们可以选取一些促销活动对促销期和非促销期进行对比分析。
对于促销日数据和非促销日数据计算每天的平均需求量。将结果可视化比较促销日和非促销日的平均需求量观察是否存在明显差异。比较促销期和非促销期的平均订单需求量以分析促销对产品需求量的影响。
import pandas as pd
import matplotlib.pyplot as plt# 加载数据集
df pd.read_csv(data/order_train0.csv, parse_dates[order_date])
df[order_date] pd.to_datetime(df[order_date], format%y/%m/%d)# 按照促销日期将数据集分成两部分
promo_dates [pd.to_datetime(2016-06-18), pd.to_datetime(2016-11-11)]
df_promo df[df[order_date].isin(promo_dates)]
df_nonpromo df[~df[order_date].isin(promo_dates)]# 计算促销和非促销期间的每天平均需求量
。。。略请下载完整代码# 可视化结果
fig, ax plt.subplots(figsize(10, 6))
ax.plot(promo_mean_qty.index, promo_mean_qty.values, labelPromo)
ax.plot(nonpromo_mean_qty.index, nonpromo_mean_qty.values, labelNon-Promo)
ax.set_xlabel(Date)
ax.set_ylabel(Average Demand)
ax.set_title(Impact of Promotions on Product Demand)
ax.legend()
plt.show() 比较促销期和非促销期的平均订单需求量以分析促销对产品需求量的影响。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt# 1. 确定促销期
promotions [2015/6/18, 2015/11/11, 2016/6/18, 2016/11/11, 2017/6/18, 2017/11/11, 2018/6/18]# 2. 加载并预处理数据
df pd.read_csv(data/order_train0.csv, parse_dates[order_date], dtype{sales_region_code: str})
df[is_promotion] df[order_date].isin(promotions).astype(int)
df_agg df.groupby([order_date])[ord_qty].sum().reset_index()# 3. 计算促销期和非促销期的订单需求量
df_promo df_agg[df_agg[order_date].isin(promotions)]
df_nonpromo df_agg[~df_agg[order_date].isin(promotions)]
promo_mean df_promo[ord_qty].mean()
nonpromo_mean df_nonpromo[ord_qty].mean()# 4. 可视化比较促销期和非促销期的订单需求量
。。。略请下载完整代码
ax.bar([Promotion, Non-promotion], [promo_mean, nonpromo_mean])
ax.set_xlabel(Period)
ax.set_ylabel(Average order quantity)
ax.set_title(Effect of promotions on order quantity)
plt.show() 从条形图中可以看出参与促销的产品平均需求量比没有参与促销的产品平均需求量要高。这表明促销活动对产品需求量有积极的影响。
8、季节因素对产品需求量的影响
将订单日期转换为季节按季度聚合订单需求量。对于每个季节绘制订单需求量的直方图和核密度图以及订单需求量与产品价格的散点图。
import pandas as pd
import matplotlib.pyplot as plt# 读取数据
df pd.read_csv(order_train1.csv)# 将订单日期转换为季节
def date_to_season(date):year, month, day map(int, date.split(/))if month in (3, 4, 5):return Springelif month in (6, 7, 8):return Summerelif month in (9, 10, 11):return Autumnelse:return Winterdf[Season] df[order_date].apply(date_to_season)# 按季度聚合订单需求量
。。。略请下载完整代码# 绘制直方图和核密度图
for season in [Spring, Summer, Autumn, Winter]:plt.figure(figsize(8,6))plt.hist(df[df[Season] season][ord_qty], bins20, alpha0.5, colorblue)df[df[Season] season][ord_qty].plot(kinddensity, secondary_yTrue)plt.title(Demand Distribution in season)plt.xlabel(Order Demand)plt.ylabel(Frequency / Density)plt.show()# 绘制散点图
for season in [Spring, Summer, Autumn, Winter]:plt.figure(figsize(8,6))plt.scatter(df[df[Season] season][item_price], df[df[Season] season][ord_qty], alpha0.5)plt.title(Demand vs. Price in season)plt.xlabel(Item Price)plt.ylabel(Order Demand)plt.show() 从结果中可以看出不同季节的订单需求量分布存在差异例如冬季的订单需求量普遍较高而夏季的订单需求量则普遍较低。此外不同季节的订单需求量与产品价格之间的关系也存在一定的差异例如在春季和秋季订单需求量与产品价格之间存在一定的正相关关系而在夏季和冬季则不存在明显的相关性。
2.2 问题二
【2023年第十一届泰迪杯数据挖掘挑战赛】B题产品订单的数据分析与需求预测 建模及python代码详解 问题二
3 python代码及图片下载
建议使用谷歌浏览器如果还打不开请Q我
