原文链接：http://tecdat.cn/?p=17748
原文出处：拓端数据部落公众号
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。
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\[(train\_df.Customers > 6000)\]
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: int64train\_df.StateHoliday\_cat.count()1017209train_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。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析