基于机器学习的物流预测可视化（附源码）
物流行业数据分析简介
物流行业是指负责货物运输、仓储、配送等环节的相关产业。随着互联网和电子商务的发展，物流行业正面临着巨大的变革和机遇。数据分析在物流行业中起着重要的作用，可以帮助企业更好地理解和优化其供应链、运输和仓储管理等方面的运营。
物流行业数据分析涉略内容
运输效率分析：通过对运输网络、路线和调度等数据进行分析，可以评估和改进物流运输的效率和成本。例如，利用运输数据分析可以确定最佳路线、提高装载率、降低运输时间等，从而优化整体运输效率。
仓储优化：通过对仓库操作和存储数据的分析，可以实现仓储设备的合理配置和库存管理的优化。例如，通过数据分析可以确定最佳库存水平、合理布局仓库以及预测需求，并提供仓储容量和资源的最佳规划。
供应链可视化：通过整合和分析供应链各环节的数据，可以建立供应链可视化系统，实时跟踪和监控供应链运作情况。这有助于提高供应链的协调性和可靠性，并及时发现潜在的问题和风险。
客户需求分析：通过对客户订单、投诉、反馈等数据进行分析，可以了解客户需求和偏好，从而优化物流服务。例如，根据数据分析结果，企业可以推出个性化的配送方案，提供更准确的送货时间和更满意的服务体验。
风险管理与预测：通过对历史和实时的物流数据进行分析，可以识别和评估潜在的运营风险，并进行风险预测和应对策略制定。这有助于降低物流成本、避免事故和延误等不可控因素对供应链的影响。
目录
一.数据来源
某企业销售的6种商品所对应的送货及用户反馈数据：
二.解决问题
1、配送服务是否存在问题
2、是否存在尚有潜力的销售区域
3、商品是否存在质量问题
三.解决方法
（一）.常规Python数据分析可视化
1、分析前提
（1）导入所需要的包
（2）读取数据
（3）数据清洗
（4）异常值处理
（5）数据规整
a.增加一项辅助列：月份
b.查看规整后的数据
2、数据分析&可视化
（1）配送服务是否存在问题——按时交货率
a.月份维度分析——按时交货率
b.销售区域维度分析按时交货率
c.货品维度分析按时交货率
d.货品和销售区域结合分析按时交货率
（2）是否存在尚有潜力的销售区域——货品的销售数量
a.月份维度分析货品销售数量
b.销售区域维度分析货品销售数量
c.月份和销售区域结合分析货品销售数量
（3）商品是否存在质量问题——货品用户反馈
a.月份维度分析货品用户反馈
b.销售区域维度分析货品用户反馈
c.从货品和销售区域维度进行分析
（4）总结
（二）.机器学习分析
1、分析前提
（1）导入所需要的包
（2）读取数据
（3）数据清洗
（4）异常值处理
（5）数据规整
a.增加一项辅助列：月份
b.查看规整后的数据
2、数据分析
（1）配送服务是否存在问题?
（2）是否存在尚有潜力的销售区域?
（3）商品是否存在质量问题?
3、总结
四.项目特色
1、参数优化：通过对参数的优化实现对数据的优化处理
2、数据分析：从数据分析可视化角度解决三个问题
3、机器学习：从机器学习的角度分析处理问题，通过准确率判断问题并提出解决方法
4、方法多元化：综合使用逻辑回归、随机森林、K-Means聚类算法、SVM等算法
五.分析结论
1、数据分析可视化得出结论：
(1)货品4—>西北，货品2—>马来西亚两条路线存在较大问题，急需提升时效;
(2)货品2在华东地区还有较大市场空间，适合加大投入，同时货品2在马来西亚配送时效长，用户拒收率高，从成本角度考虑，应该减少投入;
(3)货品1、2、4质量存在问题，建议扩大抽检范围，增大质检力度。
2、机器学习分析得出结论：
(1)配送服务整体比较正常，不存在特别大的问题；
(2)存在尚有潜力的销售区域，分别是华北、华南和西北；
(3)商品存在质量问题,建议扩大抽检范围，增大质检力度。
一.数据来源
某企业销售的6种商品所对应的送货及用户反馈数据：
【金山文档】 data_wuliu
https://kdocs.cn/l/cjo40kBYVY9M
二.解决问题
1、配送服务是否存在问题
2、是否存在尚有潜力的销售区域
3、商品是否存在质量问题
三.解决方法
（一）.常规Python数据分析可视化
1、分析前提
（1）导入所需要的包
import matplotlib.pyplot as plt
from pylab import mpl
import pandas as pd
import warnings
# 忽略警告信息，警告非报错，不影响代码执行
warnings.filterwarnings("ignore")（2）读取数据
data = pd.read_csv('data_wuliu.csv', encoding='gbk')
data.info()
通过info()可以看出，包含10列数据，名字，数据量，数据类型等，可以得出
1.订单号、货品交货状况、数量：存在缺失值，但是缺失量不大，可以删除
2.订单行，对分析无关紧要，没有实质意义，可以考虑删除
3.销售金额格式有问题（万元|元，逗号问题），数据类型需要转换为int|float
（3）数据清洗
# 删除重复记录，遇到重复保留第一行，删除后代替源数据
data.drop_duplicates(keep='first', inplace=True)
# 删除缺失值（有na的整行数据，axis=0，how='any'默认）
data.dropna(axis=0, how='any', inplace=True)
# 删除‘订单行’这一列,第二次运行删除操作会报错
data.drop(columns=['订单行'], inplace=True, axis=1)
# 更新索引：drop=True：把原来的索引index列删除，重置index，原来的索引因为删除了行数据变乱
data.reset_index(drop=True, inplace=True)
data
# 取出‘销售金额’列，对每个数据进行清洗，自定义map函数处理万元|元
# 编写自定义过滤函数：1.删除逗号，2.转成float：如果是万元则删除万元再*10000,否则，删除元
def data_deal(number):
# 找到带有万元的，取出数字，去掉逗号，转成float，*10000
if number.find('万元') != -1:
# number[:number.find('万元')]去掉万元
# number[:number.find('万元')].replace(',','')将逗号替换为空
number_new = float(number[:number.find('万元')].replace(',','')) * 10000
pass
else: #找到带有元的，删除元，删除逗号，转成float
if number.find('元') != -1:
number_new = float(number.replace('元','').replace(',',''))
pass
return number_new
data['销售金额'] = data['销售金额'].map(data_deal)
data
（4）异常值处理
data.describe()
销售金额最小值为0，有异常值
# 销售金额==0，采用删除方法，因为数据量很小
data = data[data['销售金额'] != 0]
data.describe()
（5）数据规整
a.增加一项辅助列：月份
配送服务是否存在问题——每个月配送服务的满意度
是否存在尚有潜力的销售区域——根据月份绘制本月销售量的图，看月份和销售量的关系
在数据中，从销售时间里提取月份，两种方法：
1.字符串截取：substr(data['销售时间',6,2])
2.将该列转化为datetime格式，直接month提取月份
data.loc[:, '销售时间'] = pd.to_datetime(data['销售时间'])
data.loc[:, '月份'] = data['销售时间'].apply(lambda x: x.month)
data
b.查看规整后的数据
data.head()
2、数据分析&可视化
（1）配送服务是否存在问题——按时交货率
- 月份维度
- 销售区域维度
- 货品维度
- 货品和销售区域维度
a.月份维度分析——按时交货率
# # 设置显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]
# # 设置正常显示符号
mpl.rcParams["axes.unicode_minus"] = False
data
# 有的‘货品交货状况’内容，开头含有空格，需要删除首位空格 **.strip()**
data1 = data
data1.loc[:, '货品交货状况'] = data1['货品交货状况'].str.strip()
# 按月份和货币交货状况分类，.size()计算数量
# .unstack() 可以使输出表格更直观，方便后面计算
data1 = data1.groupby(['月份','货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货'] / (data1['按时交货']+data1['晚交货'])
data1
data_1 = data1['按时交货率']
# 柱状图分析对比
data_1.plot(kind='bar', width=0.5, color='c')
plt.title("各月份按时交货率对比图")
plt.ylabel("按时交货率")
# 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 显示图形
plt.show()
- 分析结果：从按时交货率来看，第四季度低于第三季度，猜测可能是气候原因造成的
b.销售区域维度分析按时交货率
data2 = data.groupby(['销售区域','货品交货状况']).size().unstack()
data2['按时交货率'] = data2['按时交货'] / (data2['按时交货'] + data2['晚交货'])
data2.sort_values(by='按时交货率', ascending=False)
data_2 = data2['按时交货率']
# 柱状图分析对比
data_2.plot(kind='bar', width=0.5, color='m')
plt.title("各销售区域按时交货率对比图")
plt.ylabel("按时交货率")
# 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 显示图形
plt.show()
- 分析结果：西北存在严重的延时交货问题，急需解决
c.货品维度分析按时交货率
data3 = data.groupby(['货品', '货品交货状况']).size().unstack()
data3['按时交货率'] = data3['按时交货'] / (data3['按时交货'] + data3['晚交货'])
data3.sort_values(by='按时交货率', ascending=False)
data_3 = data3['按时交货率']
# 柱状图分析对比
data_3.plot(kind='bar', width=0.5, color='b')
plt.title("各类货品按时交货率对比图")
plt.ylabel("按时交货率")
# 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 显示图形
plt.show()
- 分析结果：货品4晚交货非常严重，其余货品相对正常
d.货品和销售区域结合分析按时交货率
data4 = data.groupby(['货品', '销售区域', '货品交货状况']).size().unstack()
data4['按时交货率'] = data4['按时交货'] / (data4['按时交货'] + data4['晚交货'])
data4.sort_values(by='按时交货率', ascending=False)
data_4 = data4['按时交货率']
# 柱状图分析对比
data_4.plot(kind='barh', width=0.5, color='y')
plt.title("各类货品在各自销售区域按时交货率对比图")
plt.xlabel("按时交货率")
plt.ylabel("货品及对应的销售区域")
# 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 显示图形
plt.show()
- 分析结果：
- 销售区域：最差在西北地区，货品有1和4，主要是货品4送货过晚导致的；
- 货品角度：最差的是货品2，主要送往华东和马来西亚，主要是马来西亚的送货过晚导致的。
（2）是否存在尚有潜力的销售区域——货品的销售数量
- 月份维度
- 销售区域维度
- 月份和销售区域维度
a.月份维度分析货品销售数量
- 每个月，每个商品的销售情况
data5 = data.groupby(['月份','货品'])['数量'].sum().unstack()
data5
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data5.plot(kind='line')
plt.title("各月份各个货品的销量趋势图")
plt.ylabel("销量")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：货品2在9-10月和11-12月份，销量猛增。
- 原因猜测有二：
- 1.公司加大营销力度
- 2.开发了新的市场
b.销售区域维度分析货品销售数量
data6 = data.groupby(['销售区域', '货品'])['数量'].sum().unstack()
data6
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data6.plot(kind='barh')
plt.title("各类货品在各销售区域的销量对比图")
plt.xlabel("销量")
plt.ylabel("销售区域")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：
- 从销售区域看，每种货品销售区域为1~3个,货品1有3个销售区域，货品2有两个销售区域
- 其余货品均有1个销售区域
c.月份和销售区域结合分析货品销售数量
data7 = data.groupby(['月份', '销售区域', '货品'])['数量'].sum().unstack()
data7
data7['货品2'].unstack()
data_7 = data7['货品2'].unstack()
data_7 = data_7[['华东','马来西亚']]
data_7
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data_7.plot(kind='line')
plt.title("货品2在华东和马来西亚两个销售区域的销量趋势图")
plt.ylabel("销量")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：
- 货品2在10、12月份销量猛增，原因主要发生在原有销售区域；
- 货品2在7、8、9、11月份销售数量还有很大提升空间，可以适当加大营销力度；
- 货品2在8月份在两个销售区域的销量均有提升，在马来西亚地区的涨幅更大，可以尝试继续在马来西亚增大营销力度。
（3）商品是否存在质量问题——货品用户反馈
- 月份维度
- 销售区域维度
- 货品和销售区域维度
a.月份维度分析货品用户反馈
data8 = data.groupby(['月份','货品用户反馈']).size().unstack()
data8
data8['拒货率'] = data8['拒货'] / data8.sum(axis=1)
data8['返修率'] = data8['返修'] / data8.sum(axis=1)
data8['合格率'] = data8['质量合格'] / data8.sum(axis=1)
data8[['合格率', '返修率', '拒货率']]
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data8[['合格率', '返修率', '拒货率']].plot(kind='line')
plt.title("每月货品用户反馈变化图")
plt.ylabel("比率")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：
- 8-9月和11-12月拒货率呈上升趋势，且在8-10月拒货率较高，可能是气候原因造成
b.销售区域维度分析货品用户反馈
data9 = data.groupby(['销售区域','货品用户反馈']).size().unstack()
data9
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data9.plot(kind='bar')
plt.title("各销售区域货品用户反馈对比图")
plt.ylabel("数量")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：
- 送往华东、华北和马来西亚的货品合格数量较多，特别是送往马来西亚的，建议继续保持；
- 送往泰国和西北的货品返修数量较多；
- 送往华东和马来西亚的货品拒货数量较多
c.从货品和销售区域维度进行分析
# 取出首位空格
data10 = data
data10.loc[:, '货品用户反馈'] = data10['货品用户反馈'].str.strip()
data10['货品用户反馈']
data10 = data.groupby(['货品', '销售区域'])['货品用户反馈'].value_counts().unstack()
data10
# 计算拒收率
#按行进行求和汇总
data10['拒货率'] = data10['拒货'] / data10.sum(axis=1)
data10['返修率'] = data10['返修'] / data10.sum(axis=1)
data10['合格率'] = data10['质量合格'] / data10.sum(axis=1)
data10
data10[['合格率', '返修率', '拒货率']]
#先按合格率排序，再按返修率，拒货率； 降序排序
data10[['合格率', '返修率', '拒货率']].sort_values(['合格率', '返修率', '拒货率'], ascending=False)
# 1.创建画布
plt.figure(figsize=(20,8), dpi=100)
# 2.向画布绘制内容
# 2.1 添加描述信息
data10[['合格率', '返修率', '拒货率']].plot(kind='barh')
plt.title("各类货品在各自销售区域的货品用户反馈对比图")
plt.xlabel("比率")
plt.ylabel("货品及对应销售区域")
# 2.2 添加网格显示
plt.grid(True, linestyle="--", alpha=0.3)
# 3. 显示图形
plt.show()
- 结果分析：
- 货品3、6、5合格率均较高，返修率比较低，说明质量还可以；
- 货品1、2、4合格率较低，返修率较高，质量存在一定问题，需要改善，建议扩大抽检范围，增大质检力度；
- 货品2在马来西亚的拒货率最高，同时在马来西亚的按时交货率也非常低，猜测：马来西亚人对送货的时效性要求较高，如果没有按时到货，往往考虑退货，建议加快运输；
- 虑到货品2主要在华东地区销量大，可以考虑增大在华东的投资，适当减少马来西亚的投入。
（4）总结
- (1)货品4—>西北，货品2—>马来西亚两条路线存在较大问题，急需提升时效;
- (2)货品2在华东地区还有较大市场空间，适合加大投入，同时货品2在马来西亚配送时效长，用户拒收率高，从成本角度考虑，应该减少投入;
- (3)货品1、2、4质量存在问题，建议扩大抽检范围，增大质检力度。
（二）.机器学习分析
1、分析前提
（1）导入所需要的包
import matplotlib.pyplot as plt
from pylab import mpl
import pandas as pd
import warnings
# 忽略警告信息，警告非报错，不影响代码执行
warnings.filterwarnings("ignore")（2）读取数据
data = pd.read_csv('data_wuliu.csv', encoding='gbk')
data.info()通过info()可以看出，包含10列数据，名字，数据量，数据类型等，可以得出
1.订单号、货品交货状况、数量：存在缺失值，但是缺失量不大，可以删除
2.订单行，对分析无关紧要，没有实质意义，可以考虑删除
3.销售金额格式有问题（万元|元，逗号问题），数据类型需要转换为int|float
（3）数据清洗
# 删除重复记录，遇到重复保留第一行，删除后代替源数据
data.drop_duplicates(keep='first', inplace=True)
# 删除缺失值（有na的整行数据，axis=0，how='any'默认）
data.dropna(axis=0, how='any', inplace=True)
# 删除‘订单行’这一列,第二次运行删除操作会报错
data.drop(columns=['订单行'], inplace=True, axis=1)
# 更新索引：drop=True：把原来的索引index列删除，重置index，原来的索引因为删除了行数据变乱
data.reset_index(drop=True, inplace=True)
data
# 取出‘销售金额’列，对每个数据进行清洗，自定义map函数处理万元|元
# 编写自定义过滤函数：1.删除逗号，2.转成float：如果是万元则删除万元再*10000,否则，删除元
def data_deal(number):
# 找到带有万元的，取出数字，去掉逗号，转成float，*10000
if number.find('万元') != -1:
# number[:number.find('万元')]去掉万元
# number[:number.find('万元')].replace(',','')将逗号替换为空
number_new = float(number[:number.find('万元')].replace(',','')) * 10000
pass
else: #找到带有元的，删除元，删除逗号，转成float
if number.find('元') != -1:
number_new = float(number.replace('元','').replace(',',''))
pass
return number_new
data['销售金额'] = data['销售金额'].map(data_deal)
data
（4）异常值处理
data.describe()销售金额最小值为0，有异常值
# 销售金额==0，采用删除方法，因为数据量很小
data = data[data['销售金额'] != 0]
data.describe()（5）数据规整
a.增加一项辅助列：月份
配送服务是否存在问题——每个月配送服务的满意度
是否存在尚有潜力的销售区域——根据月份绘制本月销售量的图，看月份和销售量的关系
在数据中，从销售时间里提取月份，两种方法：
1.字符串截取：substr(data['销售时间',6,2])
2.将该列转化为datetime格式，直接month提取月份
data.loc[:, '销售时间'] = pd.to_datetime(data['销售时间'])
data.loc[:, '月份'] = data['销售时间'].apply(lambda x: x.month)
datab.查看规整后的数据
data.head()
2、数据分析
data1 = data.copy()
data2 = data.copy()
data3 = data.copy()（1）配送服务是否存在问题?
- 可以使用机器学习算法对交货时间进行预测，并与实际交货情况进行比较，以评估配送服务的准时性和延迟情况。
- 可以建立一个二分类模型（随机森林分类）来预测配送服务是否存在问题，将"货品交货状况"作为目标变量，其他列作为特征变量。首先，需要对目标变量进行编码，然后使用合适的分类算法进行训练和预测。
# 导入所需的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import RandomForestClassifier
data1
# 数据预处理
le = LabelEncoder()
data1['销售区域'] = le.fit_transform(data1['销售区域'])
data1['货品'] = le.fit_transform(data1['货品'])
data1['货品用户反馈'] = le.fit_transform(data1['货品用户反馈'])
# 将日期特征转换为天数差
data1['销售时间'] = (pd.to_datetime(data1['销售时间']) - pd.to_datetime('2016-07-01')).dt.days
data1['交货时间'] = (pd.to_datetime(data1['交货时间']) - pd.to_datetime('2016-07-01')).dt.days# 创建特征向量X和目标变量y
X = data1.drop(['订单号', '货品交货状况'], axis=1)
y = data1['货品交货状况']# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 训练模型
model = RandomForestClassifier()
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
print(y_pred)
a = pd.DataFrame() # 创建一个空DataFrame
a['预测值'] = list(y_pred)
a['实际值'] = list(y_test)
a.head()
# 查看预测概率
y_pred_proba = model.predict_proba(X_test)
y_pred_proba[0:5]
# 分析数据特征的重要性
# 通过如下代码可以更好的展示特征及其特征重要性：
features = X.columns
importances = model.feature_importances_
a = pd.DataFrame()
a['特征'] = features
a['特征重要性'] = importances
a = a.sort_values('特征重要性', ascending=False)
a
# 参数调优
from sklearn.model_selection import RandomizedSearchCV
import numpy as np
n_estimators = [int(x) for x in np.linspace(start = 1000, stop = 1500, num = 10)]
max_features = ['auto','sqrt']
max_depth = [int(x) for x in np.linspace(10, 30, num = 5)]
max_depth.append(None)
min_samples_split = [9, 10, 11]
min_samples_leaf = [2, 3, 5]
bootstrap = [True, False]
random_grid = {
'n_estimators': n_estimators,
'max_features': max_features,
'max_depth': max_depth,
'min_samples_split': min_samples_split,
'min_samples_leaf': min_samples_leaf,
'bootstrap': bootstrap
}
# 构建分类器
clf = RandomForestClassifier(random_state=1)
clf_random = RandomizedSearchCV(estimator=clf,
param_distributions=random_grid,
n_iter = 10,
cv = 3,
verbose=2,
random_state=42,
n_jobs=1)# 传入数据
clf_random.fit(X_train, y_train)
# 输出参数的最优值
# 查看最好的模型参数
print("最好的模型参数：", clf_random.best_params_)
# 查看最好的模型
print("最好的模型：", clf_random.best_estimator_)
# 查看最好的分数
print("最好的分数：", clf_random.best_score_)
# 准确度评估
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)
if accuracy > 0.8:
print("配送服务正常")
else:
print("存在配送服务问题")
- 结果分析：
- 模型根据已知数据学习，预测是否按时交货的准确率高达0.88；
- 配送服务正常。
（2）是否存在尚有潜力的销售区域?
- 可以使用聚类分析算法（K-Means聚类算法）对销售区域进行分组，以发现潜在的相似销售区域。
# 导入所需的库
from sklearn.cluster import KMeans
from sklearn import metrics
from sklearn.model_selection import GridSearchCV
data2
# 创建特征向量X
X = data2[['销售区域', '数量', '销售金额']]
X
# 将销售区域转换为数值特征
X.loc[X['销售区域'] == '华北', '销售区域'] = 0
X.loc[X['销售区域'] == '华东', '销售区域'] = 1
X.loc[X['销售区域'] == '华南', '销售区域'] = 2
X.loc[X['销售区域'] == '马来西亚', '销售区域'] = 3
X.loc[X['销售区域'] == '泰国', '销售区域'] = 4
X.loc[X['销售区域'] == '西北', '销售区域'] = 5
X
# 使用K均值聚类进行区域划分
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(X)
# 得到每个销售区域所属的类别标签
labels = kmeans.labels_
# 聚类结果
data2['销售区域聚类'] = labels
data2['销售区域聚类']
# 输出潜在的销售区域
potential_regions = set(X['销售区域'][labels == labels.max()])
print("存在潜力的销售区域:", potential_regions)
- 销售区域：0代表华北、2代表华南、5代表西北；
- 所以存在潜力的销售区域为：华北、华南、西北。
# 模型评估
# 使用外部标签评估指标，如轮廓系数和Calinski-Harabasz指数
silhouette_score = metrics.silhouette_score(X, labels)
calinski_harabasz_score = metrics.calinski_harabasz_score(X, labels)
# 打印评估结果
print("轮廓系数（Silhouette Coefficient）：结合了簇内样本的紧密度和簇间样本的分离度，用于评估整体的聚类效果。轮廓系数取值范围在[-1, 1]之间，越接近于1表示聚类效果越好。")
print("轮廓系数: %.3f" % silhouette_score)
print("Calinski-Harabasz指数（也称为方差比率准则）：根据簇内的样本离散程度和簇间的样本分离程度，计算一个适应性准则。Calinski-Harabasz指数的值越大表示聚类效果越好。")
print("Calinski-Harabasz指数: %.3f" % calinski_harabasz_score)
# 使用内部指标进行评估，如SSE和Davis-Bouldin指数
sse = kmeans.inertia_
davis_bouldin_score = metrics.davies_bouldin_score(X, labels)
# 打印评估结果
print("SSE（Sum of Squared Errors）：计算所有样本点与其所属簇中心的距离平方和，用于衡量簇内的紧密度。SSE值越小表示簇内样本越相似。")
print("SSE: %.3f" % sse)
print("Davis-Bouldin指数：基于类间和类内的平均距离来评估聚类效果。Davis-Bouldin指数的值越小表示聚类效果越好。")
print("Davis-Bouldin指数: %.3f" % davis_bouldin_score)
# 模型优化
# 创建GridSearchCV对象
param_grid = {'n_clusters': [2, 3, 4, 5], 'init': ['k-means++', 'random'], 'n_init': [5, 10, 15], 'max_iter': [100, 200, 300]}
grid_search = GridSearchCV(kmeans, param_grid, cv=5)
# 使用GridSearchCV进行参数搜索和模型训练
grid_search.fit(X)
# 输出最优参数
print("最好的模型参数: ", grid_search.best_params_)
# 查看最好的模型
print("最好的模型: ", grid_search.best_estimator_)
# 输出每个聚类的数据统计信息
cluster_info = data2.groupby(['销售区域聚类'])['销售区域'].unique()
print(cluster_info)
- 结果分析：
- 从聚类结果可以看出：华北在三个类别中均存在，华南和西北在0和2类别中存在;
- 所以华北、华南和西北这三个销售区域存在潜力.
（3）商品是否存在质量问题?
- 可以建立一个二分类模型来预测商品是否存在质量问题，将"货品用户反馈"作为目标变量，其他列作为特征变量。需要对目标变量进行编码，并使用合适的分类算法（支持向量机算法）进行训练和预测。
import pandas as pd
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.model_selection import GridSearchCV
data3
# 数据预处理
le = LabelEncoder()
data3['销售区域'] = le.fit_transform(data3['销售区域'])
data3['货品'] = le.fit_transform(data3['货品'])
data3['货品用户反馈'] = le.fit_transform(data3['货品用户反馈'])
# 将日期特征转换为天数差
data3['销售时间'] = (pd.to_datetime(data3['销售时间']) - pd.to_datetime('2016-07-01')).dt.days
data3['交货时间'] = (pd.to_datetime(data3['交货时间']) - pd.to_datetime('2016-07-01')).dt.days# 创建特征向量X和目标变量y
X_3 = data3.drop(['订单号', '货品交货状况'], axis=1)
y_3 = data3['货品用户反馈']# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_3, y_3, test_size=0.2, random_state=42)X_train
# 训练支持向量机模型
model = SVC()
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
y_pred
a = pd.DataFrame() # 创建一个空DataFrame
a['预测值'] = list(y_pred)
a['实际值'] = list(y_test)
a.head()
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率：", accuracy)
# 参数调优
# 使用GridSearchCV进行参数调优
grid_search = GridSearchCV(SVC(), param_grid={'C': [0.1, 1, 10], 'gamma': [0.1, 1, 10]}, cv=5)
grid_search.fit(X_train, y_train)
# 输出最优参数
print("最好的模型参数: ", grid_search.best_params_)
# 查看最好的模型
print("最好的模型: ", grid_search.best_estimator_)
# 查看最好的分数
print("最好的分数：", grid_search.best_score_)
# 准确度评估
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)
if accuracy > 0.8:
print("商品不存在质量问题")
else:
print("商品存在质量问题")
- 结果分析：
- 测试了逻辑回归、随机森林、K近邻、决策树、SVM等算法；
- 结果是SVM分类算法的准确率最高，准确率为0.71，准确率小于0.8；
- 说明货品用户反馈预测并不算非常准确，商品存在质量问题。
3、总结
- (1)配送服务整体比较正常，不存在特别大的问题；
- (2)存在尚有潜力的销售区域，分别是华北、华南和西北；
- (3)商品存在质量问题,建议扩大抽检范围，增大质检力度。
四.项目特色
1、参数优化：通过对参数的优化实现对数据的优化处理
2、数据分析：从数据分析可视化角度解决三个问题
3、机器学习：从机器学习的角度分析处理问题，通过准确率判断问题并提出解决方法
4、方法多元化：综合使用逻辑回归、随机森林、K-Means聚类算法、SVM等算法
五.分析结论
1、数据分析可视化得出结论：
(1)货品4—>西北，货品2—>马来西亚两条路线存在较大问题，急需提升时效;
(2)货品2在华东地区还有较大市场空间，适合加大投入，同时货品2在马来西亚配送时效长，用户拒收率高，从成本角度考虑，应该减少投入;
(3)货品1、2、4质量存在问题，建议扩大抽检范围，增大质检力度。
2、机器学习分析得出结论：
(1)配送服务整体比较正常，不存在特别大的问题；
(2)存在尚有潜力的销售区域，分别是华北、华南和西北；
(3)商品存在质量问题,建议扩大抽检范围，增大质检力度。
六.源码和PPT
基于机器学习的物流预测可视化: 基于机器学习的物流预测可视化项目