用Python進行資料分析的好處是，它的資料分析庫目前已經很全面了，有

NumPy、pandas、SciPy、scikit-learn、StatsModels，

還有深度學習、神經網路的各類包。基本上能滿足大部分的企業應用。

而且Python是資料抽取、資料收集整理、資料分析挖掘、資料展示，都可以在同一種Python裡實現，避免了開發程式的切換。

這裡就和大家分享我做的一個應用例項。解決問題：

自動進行銷售預測，提高準確率，減少人工一個一個SKU進行預測分析。

最終的效果如下圖：

1

用到的工具

當然我們只需要用

Python和一些庫

就可以了。

pandas：資料整理

numpy：pandas的前提，科學計算

MySQLdb：mysql資料庫連結

statsmodels：統計建模

pylab：圖形處理

flask：web框架

2

Flask的安裝

在Flask的app目錄下建立一個

forecasting.py的python檔案，

在Flask的app的templates目錄下建立一個forecastin。html的模版檔案，兩個檔案的內容如下：

forecasting。py

forecastin。html

在DOS視窗執行

在瀏覽器開啟

http://127.0.0.1:5000/

就可以看到forecasting。html模版的內容顯示了。

接下來我們從頭建一個預測模型。

3

建立資料庫並填寫資料

資料自己錄入啦。

4

相關庫的引入

我們現在在之前第2點建立的檔案的基礎上進行修改，

在forecasting。py的頭部引入以下庫

5

定義路由

意思就是我們訪問例如http：//127。0。0。1：5000/forecasting/2的地址對於就是解析到forecasting。py檔案，

其中是可變的URL部分，

如上面的URL的2

6

定義函式

其中lag就是接受URL中的引數，我們定義lag是自迴歸函式的滯後期數。

7

資料庫連線

8

資料處理

我們整理資料以適合使用。

9

資料預測

10

資料整理

我使用了echart web圖示框架進行顯示。

11

生成公式

生成一個公式能更直觀顯示變數之間的關係。

12

輸出到模板

把py程式中的在模版中用到的結果輸出到模版。

13

設計模板

我們可以用

{}

來接受來自py程式的變數。

14

實際應用

在這個例子中，我們只是對一個產品、一個模型、一個引數進行了預測。

在實際應用中，

可以批次對產品、多個模型、多種引數進行預測，寫一個判定預測模型好壞的演算法，

自動確定每種產品的最優模型和引數，定期自動計算各產品的預測值。

希望這個思路能幫到大家。

TAG: forecastingpyPython模版資料