原文鏈接：http://tecdat.cn/?p=17748

在資料科學學習之旅中，我經常處理日常作業中的時間序列資料集，并據此做出預測，

我將通過以下步驟：

探索性資料分析（EDA）

• 問題定義（我們要解決什么）
• 變數識別（我們擁有什么資料）
• 單變數分析（了解資料集中的每個欄位）
• 多元分析（了解不同領域和目標之間的相互作用）
• 缺失值處理
• 離群值處理
• 變數轉換

預測建模

• LSTM
• XGBoost

問題定義

我們在兩個不同的表中提供了商店的以下資訊：

• 商店：每個商店的ID
• 銷售：特定日期的營業額（我們的目標變數）
• 客戶：特定日期的客戶數量
• StateHoliday：假日
• SchoolHoliday：學校假期
• StoreType：4個不同的商店：a，b，c，d
• CompetitionDistance：到最近的競爭對手商店的距離（以米為單位）
• CompetitionOpenSince [月/年]：提供最近的競爭對手開放的大致年份和月份
• 促銷：當天促銷與否
• Promo2：Promo2是某些商店的連續和連續促銷：0 =商店不參與，1 =商店正在參與
• PromoInterval：描述促銷啟動的連續區間，并指定重新開始促銷的月份，

利用所有這些資訊，我們預測未來6周的銷售量，

# 讓我們匯入EDA所需的庫：

import numpy as np # 線性代數
import pandas as pd # 資料處理，CSV檔案I / O匯入（例如pd.read_csv）
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
plt.style.use("ggplot") # 繪圖


#匯入訓練和測驗檔案：
train_df = pd.read_csv("../Data/train.csv")
test_df = pd.read_csv("../Data/test.csv")


#檔案中有多少資料：
print("在訓練集中，我們有", train_df.shape[0], "個觀察值和", train_df.shape[1], 列/變數，")
print("在測驗集中，我們有", test_df.shape[0], "個觀察值和", test_df.shape[1], "列/變數，")
print("在商店集中，我們有", store_df.shape[0], "個觀察值和", store_df.shape[1], "列/變數，")

在訓練集中，我們有1017209個觀察值和9列/變數，
在測驗集中，我們有41088個觀測值和8列/變數，
在商店集中，我們有1115個觀察值和10列/變數，

首先讓我們清理 訓練資料集，

#查看資料
train_df.head().append(train_df.tail()) #顯示前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

讓我們從第一個變數開始-> 銷售量

opened_sales = (train_df[(train_df.Open == 1) #如果商店開業
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>

看一下顧客變數

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)]

我們看一下假期 變數，

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() #檢查缺失
Out[18]:

Store               False
DayOfWeek           False
Date                False
Sales               False
Customers           False
Open                False
Promo               False
SchoolHoliday       False
StateHoliday_cat    False
dtype: bool

讓我們繼續進行商店分析

store_df.head().append(store_df.tail())

#缺失資料：


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]:

讓我們從缺失的資料開始，第一個是 CompetitionDistance

store_df.CompetitionDistance.plot.box() 

讓我看看例外值，因此我們可以在均值和中位數之間進行選擇來填充NaN

缺少資料，因為商店沒有競爭， 因此，我建議用零填充缺失的值，

store_df["CompetitionOpenSinceMonth"].fillna(0, inplace = True)

讓我們看一下促銷活動，

store_df.groupby(by = "Promo2", axis = 0).count() 

如果未進行促銷，則應將“促銷”中的NaN替換為零

我們合并商店資料和訓練集資料，然后繼續進行分析，

第一，讓我們按銷售量、客戶等比較商店，

f, ax = plt.subplots(2, 3, figsize = (20,10))

plt.subplots_adjust(hspace = 0.3)
plt.show()

從圖中可以看出，StoreType A擁有最多的商店，銷售和客戶，但是，StoreType D的平均每位客戶平均支出最高，只有17家商店的StoreType B擁有最多的平均顧客，

我們逐年查看趨勢，

sns.factorplot(data = train_store_df, 
# 我們可以看到季節性，但看不到趨勢， 該銷售額每年保持不變


<seaborn.axisgrid.FacetGrid at 0x7f7c350e0c50>

我們看一下相關圖，

  "CompetitionOpenSinceMonth", "CompetitionOpenSinceYear", "Promo2

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

我們可以得到相關性：

• 客戶與銷售（0.82）
• 促銷與銷售（0,82）
• 平均顧客銷量 vs促銷（0,28）
• 商店類別 vs 平均顧客銷量 （0,44）

我的分析結論：

• 商店類別 A擁有最多的銷售和顧客，
• 商店類別 B的每位客戶平均銷售額最低，因此，我認為客戶只為小商品而來，
• 商店類別 D的購物車數量最多，
• 促銷僅在作業日進行，
• 客戶傾向于在星期一（促銷）和星期日（沒有促銷）購買更多商品，
• 我看不到任何年度趨勢，僅季節性模式，

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預測

2.python中利用長短期記憶模型lstm進行時間序列預測分析

3.使用r語言進行時間序列（arima，指數平滑）分析

4.r語言多元copula-garch-模型時間序列預測

5.r語言copulas和金融時間序列案例

6.使用r語言隨機波動模型sv處理時間序列中的隨機波動

7.r語言時間序列tar閾值自回歸模型

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.python3用arima模型進行時間序列預測