全文下载链接：http://tecdat.cn/?p=17748

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 pltimport seaborn as snsfrom datetime import datetimeplt.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            FalseDayOfWeek        FalseDateFalseSales            FalseCustomers        FalseOpenFalsePromo            FalseStateHoliday     FalseSchoolHoliday    Falsedtype: 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\[6\]:count422307.000000mean6951.782199std3101.768685min133.00000025%        4853.00000050%        6367.00000075%        8355.000000max41551.000000Name: Sales, dtype: float64<matplotlib.axes._subplots.AxesSubplot at 0x7f7c38fa6588>

看一下顾客变量

In \[9\]:train_df.Customers.describe()Out\[9\]:count1.017209e+06mean6.331459e+02std4.644117e+02min0.000000e+0025%      4.050000e+0250%      6.090000e+0275%      8.370000e+02max7.388000e+03Name: Customers, dtype: float64<matplotlib.axes._subplots.AxesSubplot at 0x7f7c3565d240>

train\_df\[(train\_df.Customers > 6000)\]

我们看一下**假期** 变量。

train\_df.StateHoliday.value\_counts()

08550870131072a20260b6690c4100Name: StateHoliday, dtype: int64

train\_df.StateHoliday\_cat.count()

1017209

train_df.tail()

train_df.isnull().all() #检查缺失Out\[18\]:Store               FalseDayOfWeek           FalseDateFalseSales               FalseCustomers           FalseOpenFalsePromo               FalseSchoolHoliday       FalseStateHoliday_cat    Falsedtype: bool

让我们继续进行商店分析

store\_df.head().append(store\_df.tail())

#缺失数据：Store0.000000StoreType0.000000Assortment0.000000CompetitionDistance0.269058CompetitionOpenSinceMonth31.748879CompetitionOpenSinceYear31.748879Promo20.000000Promo2SinceWeek48.789238Promo2SinceYear48.789238PromoInterval48.789238dtype: float64In \[21\]:

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