【第十一届泰迪杯B题产品订单的数据分析与需求预测产品订单的数据分析与需求预测 】第二大问代码分享+解题思路（EDA数据再探索+LightGBM模型）_泰迪杯产品订单数据分析测试数据

【第十一届泰迪杯B题产品订单的数据分析与需求预测】第二大问代码分享+解题思路（EDA数据再探索+LightGBM模型）

写在前面：

​ 拖了这么长时间，一方面是我在找实习面试准备、另一方面是在做第二问的过程中，我始终坚持要做出真实的、负责的、优秀的作品，为此我查阅了很多资料，做了很多实验我做了很多工作，尝试了很多模型，有LSTM、传统的Arima等等、写了很多代码，看到很多粉丝私信问我什么更新第二题我也很着急，还有粉丝给我展示了他买的其他博主的作品，真就两块儿代码，还不能运行，这不纯纯骗人嘛！！，所谓失败乃是成功它娘，经过无数次尝试失败，最后终于做出来了，选择了LGBM模型并且预测效果很好！

​ 我将我所有写的代码分为了解题的代码文件夹和其他代码文件夹，这不仅仅只是为了解题，更是希望其他的代码能为大家带来一定的帮助，以后可能用的上代码，就大大减少了工作量了。我将会在明天录制第二问的讲解代码视频，以及配套解题工作流程的思维导图，我希望不单单是为了解题而解题，而是能真正帮助大家达到以赛促学的目的。

内容概述：

​ 本题解仅我个人的解法！！！

题解流程简述：

• 根据第一问的简单分析，和衍生出了一些特征，例如年月日、价格标签、是否节假日、week等

• 读入第一问保存的文件csv，process1.csv，进行数据再探索，发现需要对价格进行更细致的分区间，我采用最优分箱操作，将每个产品的价格归为不同的价位区间，因为相同的产品，它在不同的地区，不同的时间，价格会有波动，所以使用分箱，可以大致归纳价格特征。

• 然后再在此基础上，衍生出其他特征，星期几、是否工作日等(因为跟据EDA数据探索和第一问可视化分析，发现周末、还有不是工作日时，需求量会有所上升。)

• 然后主线任务思想是，先将现有的各种产品(3931种产品)进行以地区、销售区域编码 产品编码 产品大类编码 产品细类编码组合，先设置其在2018-12-21到2019-1-31的需求量都为0。作为表sub1（先预测出19年的1月）

• 然后将sub1进行衍生特征，构造为与df相同的特征列，然后sub1和df进行拼接为一个大表

• 然后将大表经过特征工程处理后，划分天数大于等于1207（2018-12-21日）的数据为预测集、天数大于1176小于1207的数据作为验证集，天数小于1176的作为训练集。

• 分地区进行LGBM建模训练，并且预测未来大于1207的预测集，

• 然后将预测的数据，增加回原数据中作为训练集，再如上诉步骤构建19年2月，进行预测2月的，如此重复，又预测3月的。

  由于样例数据，数据不完整，所以我暂时值预测了19年的1月，然后我们预测目标文件predict_sku0.csv中的产品在样例数据中没有，（数据不完整），所以预测1、2、3月就等完整数据出来再进行预测

题解主要部分目录内容：

EDA数据再探索：

以地区101为例：

sns.barplot(x='是否节假日', y='订单需求量', data=df_101)
sns.barplot(x='销售渠道名称', y='订单需求量', data=df_101)
1
2

可以看出是节假日和线上销售的需求量要高些，这将会在特征工程时进行需求量趋势构建时有一定的帮助

我们再看看101地区各个细类编码的产品需求量如何：

其总需求量和平均需求量：

x = df_101['产品细类编码']
y = df_101['订单需求量']
plt.figure(figsize=(15,5))
plt.title('订单需求量 by 产品细类编码')
plt.xlabel('产品细类编码')
plt.ylabel('订单需求量')
plt.scatter(x,y)
plt.show()
plt.figure(figsize=(20,6))
fig = sns.barplot(x='产品细类编码', y='订单需求量', data=df_101)
1
2
3
4
5
6
7
8
9
10

可以发现细类编码为407的需求量总的最高，可是平均需求量却是402的最高，说明101地区的407可能存在某一时间段销量暴增的情况。这在建模的特征工程处理时，可以以平均值进行拉平处理。

我们再看看时间对需求量的影响

可以发现101地区在10月和2017年的需求量最高，以及平均下来的每个月需求量，可以发现其在4月和10月，12月的需求量居多，这可能是促销日、节假日等影响，所以后续我们需要衍生这些特征。

再看看week周对销售量分布

可以看出week其实与month的特征没太大差别，所以week列衍生可能用不上

数据处理

数据处理部分主要是做了个价格分箱处理，像上面说过的，因为相同的产品，它在不同的地区，不同的时间，价格会有波动，所以使用分箱，可以大致归纳价格特征。

from scipy.stats import stats
def optimal_bins(Y,X,n):
    """
    :Y  目标变量
    ：X  待分箱特征
    ：n 分箱数初始值
    return : 统计值，分箱边界值列表、woe值、iv值
    """
    r = 0  #xia相关系数的初始值
    total_bad = Y.sum()  #总的坏样本数
    total_good = Y.count() - total_bad   #总的好样本数
    #分箱过程
    while np.abs(r) <1:   #相关系数的绝对值等于1结束循环，循环目的找寻最好正反相关性
     XXXXXXXXXXXXXXXXXXXXXXXXXXXXX
     XXXXXXXXXXXXXXXXXXXXXXXX
        qua = X.quantile(i/(n+1)) #quantile把给定的乱序的数值有小到大并列分成n等份，参数表述取出第百分之多少大小的数值
                                    #i的取值范围是1->n 1/n.2/n 3/n...n/n
        cut.append(round(qua,6))
   
    return cut
#对RevolvingRatio列进行分箱操作：
cut_bins = optimal_bins(df.订单需求量,df.产品价格,n=10)
cut_bins
df['价格区间'] = pd.cut(df['产品价格'],cut_bins,labels=[x for x in range(len(cut_bins)-1)])
df
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

分箱后生成6个区间，价格由高到低。这将有利于我们对预测数据时，不同区域、不同产品的价格进行区间编码匹配。

特征工程+LGBM建模预测

通过数据再探索和第一问的分析，我们需要构造一些特征，最后主要准备的数据格式为：

增加待预测的三个月数据（2019年1,2,3,月）

以增加2019年1月数据为例：

先构造各产品的的2019年一月数据：

我们需要借助销售区域编码+大类编码+细类编码+产品编码为zuhe列：

df['zuhe'] = df['销售区域编码'].astype(str)+'_'+df['产品大类编码'].astype(str)+'_'+df['产品细类编码'].astype(str)+'_'+df['产品编码'].astype(str)
df
1
2

然后构建一月的数据：

​ 现阶段给出的数据，有3931种，我们将先构造一下这3931种产品，每天的需求量为0，加入到原数据中
先预测一个月的，再将一个月的数据加入到原始作为训练集，再去预测第二个月的，
意思是先预测出3931种产品2019-1月的需求量，再去预测2019-2，最后时2019-3月。

#从2018-12-21到2019-1-31日的数据

dt1 = pd.date_range(start="20181221", end="20190131", freq="D")
dt1
len(dt1)
dates=[]
need=[]
ids =[]
for d in dt1:
    date = str(d).split(' ')[0] #得到日期xx-xx-xx
    dates=dates+[date]*len(set(df['zuhe']))
    need = need+[0]*len(set(df['zuhe']))
    ids=ids+list(set(df['zuhe']))
    xxxxx
1
2
3
4
5
6
7
8
9
10
11
12
13
14

然后对temp表格进行处理和构造特征，得到与df相同的数据格式，以及数据类型：

可以看出，我们先设置出各种产品每天的需求量为0,165102行是因为有3931产品，从2018-20-21到2019-1-31有42天，所有3931*42=165102。

拼接temp和df为整个数据集：

这样就看的懂了构建的什么数据集了。

特征工程：

滞后特征：

滞后特征是将时间序列预测问题转化为监督学习问题的经典方法。对销售的目标变量引入滞后。我使用的最大延迟是60天。这完全取决于你想引入多少滞后。

均值编码：

df['产品编码_avg'] = df.groupby('产品编码')['订单需求量'].transform('mean').astype(np.float16)
df['销售区域编码_need_avg'] = df.groupby('销售区域编码')['订单需求量'].transform('mean').astype(np.float16)
df['产品大类编码_need_avg'] = df.groupby('产品大类编码')['订单需求量'].transform('mean').astype(np.float16)
df['产品细类编码_need_avg'] = df.groupby('产品细类编码')['订单需求量'].transform('mean').astype(np.float16)
df['销售渠道名称_need_avg'] = df.groupby('销售渠道名称')['订单需求量'].transform('mean').astype(np.float16)
xxxxxxXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

1
2
3
4
5
6
7

滑动窗口统计

我将计算每周销售的滚动平均数。更多的特征，如滚动最小值，最大值或总和也可以计算。同样，同样的功能也可以用于计算需求量

df['rolling_need_mean'] = df.groupby(['销售区域编码','产品编码','产品大类编码','产品细类编码'])['订单需求量']xxxxx
1

开窗数据拓展:

这是滚动窗口技术的高级版本。在滚动窗口的情况下，当窗口随着时间向前移动而滑动时，窗口的大小是恒定的。因此，我们只考虑最近的值，而忽略过去的值。 我将计算需求量的扩大平均值。还可以计算更多的特征，如扩展最小值、最大值或总和。同样，同样的功能也可以用于计算需求量。

需求量趋势构建

我将创建一个需求量趋势特征，如果每日需求量大于整个持续时间的平均值(d_1 - d_1248)，则为负值。可以添加更多的趋势特性，但我只添加这一个以保持简单。

建立模型:

data = pd.read_pickle('data4_5.pkl')
valid = data[(data['D']>=1176) & (data
1
2

建立每个销售区域的模型:

for store in states:
    df = data[data['销售区域编码']==store]
	#Split the data
	xxxxx
	
	#Train and validate
	model = LGBMRegressor(
	    n_estimators=1000,
	    learning_rate=0.3,
	    subsample=0.8,
	    XXXXX
	)
	print('*****Prediction for 销售区域: {}*****'.format(store))
	model.fit(X_train, y_train, eval_set=[(X_train,y_train),(X_valid,y_valid)],
	         eval_metric='rmse', verbose=20, early_stopping_rounds=20)
	valid_preds[X_valid.index] = model.predict(X_valid)
	eval_preds[X_test.index] = model.predict(X_test)
	filename = 'model'+str(store)+'.pkl'
	# save model
	joblib.dump(model, filename)
	del model, X_train, y_train, X_valid, y_valid
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

RMSE值很小，模型效果很不错。

挑选出101区域的模型进行模型验证：

model = joblib.load("models\model_101.pkl")
model
df = data[data['销
y_valid
x_axis=np.linspace(1,len(y_valid),len(y_valid))
font1 = {'family' : 'SimSun','weight' : 'normal','size'   : 20,}
colors =['black','green','yellow','blue','cyan','red','orange','pink']
plt.figure(dpi=300,figsize=(28,12))


plt.plot(x_axis[:200],y_valid[:200])
plt.plot(x_axis[:200],s[:200])
plt.legend(['true','prediction'],prop = {'size':20})
# plt.scatter(x_data,y_data_yuemo,color='blue')
plt.tick_params(labelsize=20)  #修改刻度显示大小
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

可以看出，模型预测的结果拟合的很好，需求量走势和峰值等都相差不多。相信完整数据出来后，模型效果会更好。

查看模型特征重要性，验证我们前期特征工程：

可以看出我们前期的特征工程处理的很好。

预测样例数据结果

我们现在将19年1月的预测结果进行汇总处理，然后再去predict_sku0.csv进行匹配，得到每个产品的1月需求量：

读取待预测的predict_sku0.csv：

制作透视表，计算各产品一月的总需求量：

#制作透视表得到所有产品19年1月的需求量
result_df = pd.pivot_table(result_df, index=['销售区域编码','产品大类编码','产品细类编码','产品编码'], columns='订单日期',
                                  values='订单需求量', aggfunc=np.sum,fill_value=0).reset_index()
result_df
xxxxx
1
2
3
4
5

匹配最终：

你会发现进行匹配后，结果变少了，这是因为predict_df中有的产品，在result_df中没有，这是因为目前只有样例数据，没有完整的数据导致的。 等完整的数据出来后，匹配将会很完美。所以现在暂时不去做预测2、3月无意义的事了。等完整数据发布了，再运行代码。

写在最后：

压缩包内容为：

代码获取：

会更新代码讲解视频和B题论文给大家借鉴。

如需获取代码详情请看。社区
应粉丝建议，我创建了一个交流群，欢迎各位小伙伴入群交流问题：