可下载资源

本文分析的数据分享至会员群

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。

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。

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

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>

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() 

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。

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。