Python當(dāng)中的實(shí)用小案例源代碼分享：銷量預(yù)測

案件

1，現(xiàn)有冰激凌店一年的歷史銷售數(shù)據(jù)

2，數(shù)據(jù)包括單日的銷售量、氣溫、周幾（問題：如何用這些數(shù)據(jù)預(yù)測冰激凌的銷量？）

模擬實(shí)驗(yàn)與分析

將數(shù)據(jù)存儲為csv格式，導(dǎo)入python。并畫出散點(diǎn)圖，觀察氣溫和銷售量的關(guān)系。

[Python] 純文本查看復(fù)制代碼

import pandas as pd
icecream = pd.read_csv("icecream.csv")
import matplotlib.pyplot as plt
import pylab
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.scatter(icecream.iloc[:,1],icecream.iloc[:,0])
plt.xlabel("氣溫")
plt.ylabel("銷售量")
pylab.show()

計(jì)算兩者間的相關(guān)系數(shù)。

[Python] 純文本查看復(fù)制代碼

1	`icecream.iloc[:,0:2].corr()`

結(jié)果為：

[Python] 純文本查看復(fù)制代碼

1

2

3

4

銷售量       氣溫[/align]
銷售量 1.000000   0.844211
氣溫     0.844211   1.000000

銷售量和氣溫的相關(guān)系數(shù)為0.84，結(jié)合散點(diǎn)圖，認(rèn)為兩者相關(guān)。下面用回歸分析的方法，通過氣溫來預(yù)測冰激凌銷量。

[Python] 純文本查看復(fù)制代碼

from sklearn.linear_model import LinearRegression
model = LinearRegression()
feature_cols = ['氣溫']
X = icecream[feature_cols]
y = icecream.銷售量
model.fit(X,y)
plt.scatter(icecream.氣溫, icecream.銷售量)
plt.plot(icecream.氣溫, model.predict(X) , color='blue')
plt.xlabel('氣溫')
plt.ylabel('銷售量')
plt.show()
print("截距與斜率:",model.intercept_,model.coef_)

[Python] 純文本查看復(fù)制代碼

1	`截距與斜率:` `57.1673282152` `[` `5.21607823]`

于是，散點(diǎn)圖中的線函數(shù)式為y＝5.2X＋57.2。所以，當(dāng)氣溫為25度時，預(yù)測的銷售量為5.2*25+57.2=187.52，約188個。
幾個小概念回歸分析：預(yù)測數(shù)據(jù)時的簡便手法。在此例中，銷售量為反應(yīng)變量，也叫因變量，氣溫為解釋變量，也叫自變量。雖然影響銷售量的因素除了氣溫外還有很多，但回歸分析中我們要把現(xiàn)實(shí)情況簡化并公式化，這個過程叫做建模。本例中只用1個解釋變量進(jìn)行模型化稱為一元線性回歸，如果反應(yīng)變量同時受到多個解釋變量的影響，稱為多元線性回歸。

全國校區(qū)

熱門課程

Python當(dāng)中的實(shí)用小案例源代碼分享：銷量預(yù)測

最新資訊

相關(guān)閱讀

熱門課程推薦