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。
猜你喜歡
- 2021-12-14門店+數字化=提升人氣?
- 2021-12-07獵魂覺醒 秘術系 聯動 流星 惡鬼·韓龐 (含注靈資料)
- 2021-12-07實際案例講解:藉助DataFocus完成供應鏈大屏解決方案
- 2021-06-26手持機一般應用在什麼場景中?
- 2021-04-13軟體工程專業大二學生,除了Java之外,還可以學習哪門程式語言