1 題目

一．問題背景

近年來企業(yè)外部環(huán)境越來越不確定，復(fù)雜多變的外部環(huán)境，讓企業(yè)供應(yīng)鏈面臨較多難題。

需求預(yù)測作為企業(yè)供應(yīng)鏈的第一道防線，重要程度不言而喻，然而需求預(yù)測受多種因素的影響，導(dǎo)致預(yù)測準(zhǔn)確率普遍較低，因此需要更加優(yōu)秀的算法來解決這個問題。需求預(yù)測是基于歷史數(shù)據(jù)和未來的預(yù)判得出的有理論依據(jù)的結(jié)論，有利于公司管理層對未來的銷售及運(yùn)營計(jì)劃、目標(biāo)，資金預(yù)算做決策參考；其次，需求預(yù)測有助于采購計(jì)劃和安排生產(chǎn)計(jì)劃的制定， 減少受業(yè)務(wù)波動的影響。如果沒有需求預(yù)測或者預(yù)測不準(zhǔn)，公司內(nèi)部很多關(guān)于銷售、采購、財(cái)務(wù)預(yù)算等決策都只能根據(jù)經(jīng)驗(yàn)而來了，會導(dǎo)致對市場預(yù)測不足，產(chǎn)生庫存和資金的積壓或不足等問題，增加企業(yè)庫存成本。

二．?dāng)?shù)據(jù)說明

附件中的訓(xùn)練數(shù)據(jù)（order_train1.csv）提供了國內(nèi)某大型制造企業(yè)在 2015 年 9 月 1日至 2018 年 12 月 20 日面向經(jīng)銷商的出貨數(shù)據(jù)（格式見表 1），反應(yīng)了該企業(yè)產(chǎn)品在不同銷售區(qū)域的價(jià)格和需求等信息，包括：order_date（訂單日期）、sales_region_code（銷售區(qū)域編碼）、item_code（產(chǎn)品編碼）、first_cate_code （產(chǎn)品大類編碼）、second_cate_code （產(chǎn)品細(xì)類編碼）、sales_chan_name （銷售渠道名稱）、item_price （產(chǎn)品價(jià)格）和 ord_qty （訂單需求量）。

表1：訓(xùn)練數(shù)量（歷史數(shù)據(jù)）的數(shù)據(jù)格式

其中“訂單日期”為某個需求量的日期；一個“產(chǎn)品大類編碼”會對應(yīng)多個“產(chǎn)品細(xì)類編碼”；“銷售渠道名稱”分為 online（線上）和 offline（線下），“線上”是指淘寶和京東等電商平臺，“線下”是指線下實(shí)體經(jīng)銷商。

附件中的預(yù)測數(shù)據(jù)（predict_sku1.csv）提供了需要預(yù)測產(chǎn)品的銷售區(qū)域編碼、產(chǎn)品編碼、產(chǎn)品品類和產(chǎn)品細(xì)品類（格式見表 2）。

表2：需要預(yù)測的產(chǎn)品的數(shù)據(jù)樣例

三．需要解決的問題

1. 請對附件中的訓(xùn)練數(shù)據(jù)（order_train1.csv）進(jìn)行深入地分析，可參照但不限于下述主

題。

（1） 產(chǎn)品的不同價(jià)格對需求量的影響；

（2） 產(chǎn)品所在區(qū)域?qū)π枨罅康挠绊懀约安煌瑓^(qū)域的產(chǎn)品需求量有何特性；

（3） 不同銷售方式（線上和線下）的產(chǎn)品需求量的特性；

（4） 不同品類之間的產(chǎn)品需求量有何不同點(diǎn)和共同點(diǎn)；

（5） 不同時間段（例如月頭、月中、月末等）產(chǎn)品需求量有何特性；

（6） 節(jié)假日對產(chǎn)品需求量的影響；

（7） 促銷（如 618、雙十一等）對產(chǎn)品需求量的影響；

（8） 季節(jié)因素對產(chǎn)品需求量的影響。

1. 基于上述分析，建立數(shù)學(xué)模型，對附件預(yù)測數(shù)據(jù)（predict_sku1.csv）中給出的產(chǎn)品，預(yù)測未來 3 月（即 2019 年 1 月、2 月、3 月）的月需求量，將預(yù)測結(jié)果按照表 3 的格式保存為文件 result1.xlsx，與論文一起提交。請分別按天、周、月的時間粒度進(jìn)行預(yù)測，試分析不同的預(yù)測粒度對預(yù)測精度會產(chǎn)生什么樣的影響。

2 問題分析

2.1 問題一

（1）產(chǎn)品的不同價(jià)格對需求量的影響

首先，讀取數(shù)據(jù)并提取item_price和ord_qty兩列數(shù)據(jù)； 然后，根據(jù)item_price進(jìn)行分組統(tǒng)計(jì)，計(jì)算每個價(jià)格區(qū)間的平均需求量； 最后，通過散點(diǎn)圖將不同價(jià)格區(qū)間的平均需求量進(jìn)行可視化展示。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

# 讀取數(shù)據(jù)
df = pd.read_csv('data/order_train0.csv')
# 按照產(chǎn)品價(jià)格分組，并計(jì)算平均值
grouped = df.groupby('item_price')['ord_qty'].mean().reset_index()

# 使用 Matplotlib 畫圖
plt.figure(figsize=(10, 6))
plt.plot(grouped['item_price'], grouped['ord_qty'], 'o-')
plt.xlabel('Product Price')
plt.ylabel('Average Order Quantity')
plt.title('Relationship between Product Price and Order Quantity')
plt.savefig('img/1.png',dpi=300)
# 使用 Seaborn 畫圖
sns.set_style('darkgrid')
plt.figure(figsize=(10, 6))
sns.lineplot(x='item_price', y='ord_qty', data=grouped)
plt.xlabel('Product Price')
plt.ylabel('Average Order Quantity')
plt.title('Relationship between Product Price and Order Quantity')
plt.savefig('img/2.png',dpi=300)

從圖表中可以看出，產(chǎn)品價(jià)格與平均訂單需求量之間呈現(xiàn)出U形關(guān)系，即價(jià)格較低或較高時，訂單需求量較高；而當(dāng)價(jià)格處于中間區(qū)間時，訂單需求量較低。這可能是因?yàn)閮r(jià)格過低會讓消費(fèi)者覺得產(chǎn)品質(zhì)量不高，而價(jià)格過高則會讓消費(fèi)者覺得不值得購買。因此，合理的定價(jià)策略可以在一定程度上提高產(chǎn)品的銷售量。

也可以使用回歸模型（例如線性回歸、多項(xiàng)式回歸等）對產(chǎn)品價(jià)格和需求量之間的關(guān)系進(jìn)行建模和預(yù)測，從而確定價(jià)格對需求量的影響。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 讀取數(shù)據(jù)
df = pd.read_csv('order_train1.csv')

# 繪制散點(diǎn)圖
sns.scatterplot(x='item_price', y='ord_qty', data=df)

# 繪制箱線圖
sns.boxplot(x='item_price', y='ord_qty', data=df)

# 使用線性回歸模型擬合
x = df[['item_price']]
y = df[['ord_qty']]
model = LinearRegression()
model.fit(x, y)
# 輸出模型系數(shù)和截距
print('Coefficients:', model.coef_)
print('Intercept:', model.intercept_)

（2）產(chǎn)品所在區(qū)域?qū)π枨罅康挠绊懀约安煌瑓^(qū)域的產(chǎn)品需求量有何特性

可以通過對不同區(qū)域的需求量進(jìn)行可視化分析，例如繪制直方圖、箱線圖等，查看需求量的分布情況。也可以使用ANOVA方差分析等方法來判斷不同區(qū)域之間的需求量是否存在顯著差異，從而確定產(chǎn)品所在區(qū)域?qū)π枨罅康挠绊憽?/p>

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import f_oneway

# 讀取數(shù)據(jù)
df = pd.read_csv('order_train1.csv')

# 繪制直方圖
sns.histplot(x='ord_qty', hue='sales_region_code', data=df, kde=True)

# 繪制箱線圖
sns.boxplot(x='sales_region_code', y='ord_qty', data=df)

# 進(jìn)行ANOVA方差分析
grouped_data = df.groupby('sales_region_code')['ord_qty'].apply(list)
。。。略，請下載完整代碼
print('F-value:', f_value)
print('P-value:', p_value)

（3）不同銷售方式（線上和線下）的產(chǎn)品需求量的特性

可以通過繪制不同銷售方式的需求量直方圖、箱線圖等方法來查看產(chǎn)品需求量的分布情況和差異。也可以使用t檢驗(yàn)等方法來確定不同銷售方式之間的需求量是否存在顯著差異。

然后，我們可以按照銷售渠道名稱（sales_chan_name）將數(shù)據(jù)分為線上和線下兩類，計(jì)算它們的訂單需求量（ord_qty）的基本統(tǒng)計(jì)量，包括均值、中位數(shù)、最大值、最小值、標(biāo)準(zhǔn)差等，以了解它們的分布情況和差異性。

import pandas as pd

# 讀取數(shù)據(jù)
data = pd.read_csv('order_train1.csv')

# 查看數(shù)據(jù)
print(data.head())

# 將數(shù)據(jù)按照銷售渠道名稱分為線上和線下兩類
online_data = data[data['sales_chan_name'] == 'online']
offline_data = data[data['sales_chan_name'] == 'offline']

# 計(jì)算線上和線下訂單需求量的基本統(tǒng)計(jì)量
print('線上訂單需求量的基本統(tǒng)計(jì)量：')
print(online_data['ord_qty'].describe())

print('線下訂單需求量的基本統(tǒng)計(jì)量：')
print(offline_data['ord_qty'].describe())

除了計(jì)算訂單需求量的基本統(tǒng)計(jì)量之外，我們還可以通過可視化方式更加直觀地了解不同銷售方式下產(chǎn)品需求量的特性。在 Python 中，我們可以使用 Matplotlib 或者 Seaborn 庫進(jìn)行數(shù)據(jù)可視化。

import seaborn as sns

# 設(shè)置圖形風(fēng)格
sns.set(style="ticks", palette="pastel")

# 繪制箱線圖，分析線上和線下訂單需求量的分布情況
sns.boxplot(x="sales_chan_name", y="ord_qty", data=data)

# 顯示圖形
sns.despine(trim=True)

運(yùn)行上述代碼，可以得到一個箱線圖，展示了線上和線下訂單需求量的分布情況。通過比較箱線圖的位置、大小和形狀等特征，我們可以了解不同銷售方式下產(chǎn)品需求量的差異性和分布情況。例如，如果線上訂單需求量的中位數(shù)明顯高于線下訂單需求量的中位數(shù)，那么我們可以判斷線上銷售渠道對產(chǎn)品需求量的貢獻(xiàn)較大。

import matplotlib.pyplot as plt

# 提取線上和線下訂單需求量
online_ord_qty = data[data["sales_chan_name"] == "online"]["ord_qty"]
offline_ord_qty = data[data["sales_chan_name"] == "offline"]["ord_qty"]

# 繪制線上和線下訂單需求量直方圖
。。。略，請下載完整代碼
labels = ['Online', 'Offline']

plt.bar(labels, X)
plt.title('Distribution of Sales Channels')
plt.xlabel('Sales Channels')
plt.ylabel('Sales Volume')
plt.show()

核密度圖可以更加直觀地展示數(shù)據(jù)的分布情況，它可以通過對數(shù)據(jù)進(jìn)行平滑處理，得到一條連續(xù)的曲線，反映了數(shù)據(jù)的概率密度分布情況。

import seaborn as sns

# 提取線上和線下訂單需求量
online_ord_qty = data[data["sales_chan_name"] == "online"]["ord_qty"]
offline_ord_qty = data[data["sales_chan_name"] == "offline"]["ord_qty"]

# 繪制線上和線下訂單需求量核密度圖
sns.kdeplot(online_ord_qty, shade=True, label="Online")
sns.kdeplot(offline_ord_qty, shade=True, label="Offline")
plt.legend(loc="upper right")
plt.title("Distribution of Order Quantity by Sales Channel")
plt.xlabel("Order Quantity")
plt.ylabel("Density")
plt.show()

從核密度圖中可以看出，線下銷售方式下的產(chǎn)品需求量分布相對于線上銷售方式更加集中，呈現(xiàn)出一個明顯的峰態(tài)；而線上銷售方式下的產(chǎn)品需求量分布比較平滑，沒有出現(xiàn)明顯的峰態(tài)。同時，線下銷售方式下的產(chǎn)品需求量整體偏高，而線上銷售方式下的產(chǎn)品需求量整體偏低。

# 繪制散點(diǎn)圖
sns.scatterplot(data=train_data, x="item_price", y="ord_qty", hue="sales_chan_name")

從散點(diǎn)圖中可以看出，線下銷售方式下產(chǎn)品價(jià)格與需求量之間的關(guān)系似乎比線上銷售方式下更加緊密，而且線下銷售方式下有一些高價(jià)格、高需求量的異常值。但是需要注意的是，由于數(shù)據(jù)中的產(chǎn)品價(jià)格和需求量都是離散值，所以散點(diǎn)圖中的點(diǎn)是會有重疊的。

（4）不同品類之間的產(chǎn)品需求量有何不同點(diǎn)和共同點(diǎn)；

1. 按照品類分組，計(jì)算每個品類的訂單需求量的平均值、中位數(shù)、標(biāo)準(zhǔn)差等統(tǒng)計(jì)指標(biāo)；
2. 繪制每個品類的訂單需求量的分布直方圖；
3. 對于不同品類之間的需求量進(jìn)行比較分析，找出不同品類之間的不同點(diǎn)和共同點(diǎn)。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 讀取數(shù)據(jù)
data = pd.read_csv('order_train1.csv')

# 按照品類分組，計(jì)算每個品類的訂單需求量的平均值、中位數(shù)、標(biāo)準(zhǔn)差等統(tǒng)計(jì)指標(biāo)
category_demand = data.groupby('second_cate_code')['ord_qty'].agg(['mean', 'median', 'std'])
。。。略，請下載完整代碼
# 繪制每個品類的訂單需求量的分布直方圖
category_list = data['second_cate_code'].unique().tolist()
for category in category_list:
    demand = data.loc[data['second_cate_code'] == category, 'ord_qty']
    plt.hist(demand, bins=30)
    plt.title(f'Cate:{category}')
    plt.xlabel('Demand')
    plt.ylabel('Frequency')
    plt.show()

# 對于不同品類之間的需求量進(jìn)行比較分析，找出不同品類之間的不同點(diǎn)和共同點(diǎn)
# 可以使用t檢驗(yàn)、方差分析等統(tǒng)計(jì)方法

（5）不同時間段（例如月頭、月中、月末等）產(chǎn)品需求量有何特性；

1. 將訂單日期按月份進(jìn)行分組，計(jì)算每個月份的訂單需求量的平均值、中位數(shù)、標(biāo)準(zhǔn)差等統(tǒng)計(jì)指標(biāo)；
2. 繪制每個月份的訂單需求量的趨勢圖；
3. 將每個月份的訂單需求量按照日期進(jìn)行分組，分別計(jì)算月初、月中、月末的訂單需求量的平均值、中位數(shù)、標(biāo)準(zhǔn)差等統(tǒng)計(jì)指標(biāo)；
4. 對于不同時間段之間的需求量進(jìn)行比較分析，找出不同時間段之間的不同點(diǎn)和共同點(diǎn)。

為了研究不同時間段產(chǎn)品需求量的特性，我們需要首先將訂單日期進(jìn)行拆分，提取出月初、月中和月末三個時間段的需求量。可以使用 pandas 中的 dt 屬性來獲取日期時間中的年、月、日、小時等信息。在這里，我們可以使用 pandas 中的 cut 函數(shù)對訂單日期進(jìn)行分段，然后對不同時間段的訂單需求量進(jìn)行統(tǒng)計(jì)。

import pandas as pd

# 讀取數(shù)據(jù)
data = pd.read_csv('order_train1.csv')

# 轉(zhuǎn)換訂單日期格式為 datetime 類型
data['order_date'] = pd.to_datetime(data['order_date'], format='%y/%m/%d')

# 根據(jù)訂單日期將數(shù)據(jù)進(jìn)行排序
data = data.sort_values(by='order_date')

# 按照月初、月中、月末將訂單需求量進(jìn)行分組
。。。略，請下載完整代碼
time_bins = [0, 10, 20, 31]
data['order_date_category'] = pd.cut(data['order_date'].dt.day, bins=time_bins, labels=time_labels)

# 統(tǒng)計(jì)不同時間段的訂單需求量
demand_by_time = data.groupby('order_date_category')['ord_qty'].sum()

# 繪制不同時間段的訂單需求量柱狀圖
demand_by_time.plot(kind='bar')

（6）節(jié)假日對產(chǎn)品需求量的影響：

節(jié)假日通常會對消費(fèi)者的購買行為產(chǎn)生影響，因此對產(chǎn)品需求量也會有影響。在此問題中，我們可以選取國內(nèi)的法定節(jié)假日，對節(jié)假日和非節(jié)假日進(jìn)行對比分析。

為了分析節(jié)假日對產(chǎn)品需求量的影響，可以先對數(shù)據(jù)進(jìn)行處理，找出所有的節(jié)假日以及對應(yīng)的日期。在本數(shù)據(jù)集中，可以通過觀察訂單日期（order_date）列來確定節(jié)假日日期，例如春節(jié)、國慶節(jié)等。然后，可以計(jì)算出每個節(jié)假日的平均需求量，將其與普通日的需求量進(jìn)行比較，從而分析節(jié)假日對產(chǎn)品需求量的影響。

1. 加載數(shù)據(jù)集并進(jìn)行數(shù)據(jù)預(yù)處理，將訂單日期（order_date）轉(zhuǎn)換為日期格式，然后根據(jù)日期確定是否為節(jié)假日，將其標(biāo)記為1，否則標(biāo)記為0。
2. 根據(jù)標(biāo)記將數(shù)據(jù)集分成兩部分，一部分為節(jié)假日數(shù)據(jù)，一部分為非節(jié)假日數(shù)據(jù)。
3. 對于節(jié)假日數(shù)據(jù)和非節(jié)假日數(shù)據(jù)，計(jì)算每天的平均需求量。
4. 將結(jié)果可視化，比較節(jié)假日和非節(jié)假日的平均需求量，觀察是否存在明顯差異。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
import holidays

# 加載數(shù)據(jù)集并進(jìn)行數(shù)據(jù)預(yù)處理
df = pd.read_csv('data/order_train0.csv')
df['order_date'] = pd.to_datetime(df['order_date'])
df['is_holiday'] = df['order_date'].isin(holidays.China(years=[2015,2016,2017,2018]))
df['is_holiday'] = df['is_holiday'].astype(int)

# 將數(shù)據(jù)集分成兩部分：節(jié)假日數(shù)據(jù)和非節(jié)假日數(shù)據(jù)
。。。略，請下載完整代碼

# 計(jì)算每天的平均需求量
holiday_demand = holiday_df.groupby(['order_date'])['ord_qty'].mean()
non_holiday_demand = non_holiday_df.groupby(['order_date'])['ord_qty'].mean()

# 可視化比較節(jié)假日和非節(jié)假日的平均需求量
plt.figure(figsize=(10,6))
plt.plot(holiday_demand.index, holiday_demand.values, label='Holiday')
plt.plot(non_holiday_demand.index, non_holiday_demand.values, label='Non-Holiday')
plt.title('Average demand on holiday vs non-holiday')
plt.xlabel('Date')
plt.ylabel('Average demand')
plt.legend()
plt.show()

（7）促銷對產(chǎn)品需求量的影響：

促銷活動通?？梢蕴岣弋a(chǎn)品的銷售量，因此對產(chǎn)品需求量也會有影響。在此問題中，我們可以選取一些促銷活動，對促銷期和非促銷期進(jìn)行對比分析。

1. 對于促銷日數(shù)據(jù)和非促銷日數(shù)據(jù)，計(jì)算每天的平均需求量。
2. 將結(jié)果可視化，比較促銷日和非促銷日的平均需求量，觀察是否存在明顯差異。
3. 比較促銷期和非促銷期的平均訂單需求量，以分析促銷對產(chǎn)品需求量的影響。

import pandas as pd
import matplotlib.pyplot as plt

# 加載數(shù)據(jù)集
df = pd.read_csv('data/order_train0.csv', parse_dates=['order_date'])
df['order_date'] = pd.to_datetime(df['order_date'], format='%y/%m/%d')

# 按照促銷日期將數(shù)據(jù)集分成兩部分
promo_dates = [pd.to_datetime('2016-06-18'), pd.to_datetime('2016-11-11')]
df_promo = df[df['order_date'].isin(promo_dates)]
df_nonpromo = df[~df['order_date'].isin(promo_dates)]

# 計(jì)算促銷和非促銷期間的每天平均需求量
。。。略，請下載完整代碼

# 可視化結(jié)果
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(promo_mean_qty.index, promo_mean_qty.values, label='Promo')
ax.plot(nonpromo_mean_qty.index, nonpromo_mean_qty.values, label='Non-Promo')
ax.set_xlabel('Date')
ax.set_ylabel('Average Demand')
ax.set_title('Impact of Promotions on Product Demand')
ax.legend()
plt.show()

比較促銷期和非促銷期的平均訂單需求量，以分析促銷對產(chǎn)品需求量的影響。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 1. 確定促銷期
promotions = ['2015/6/18', '2015/11/11', '2016/6/18', '2016/11/11', '2017/6/18', '2017/11/11', '2018/6/18']

# 2. 加載并預(yù)處理數(shù)據(jù)
df = pd.read_csv('data/order_train0.csv', parse_dates=['order_date'], dtype={'sales_region_code': 'str'})
df['is_promotion'] = df['order_date'].isin(promotions).astype(int)
df_agg = df.groupby(['order_date'])['ord_qty'].sum().reset_index()

# 3. 計(jì)算促銷期和非促銷期的訂單需求量
df_promo = df_agg[df_agg['order_date'].isin(promotions)]
df_nonpromo = df_agg[~df_agg['order_date'].isin(promotions)]
promo_mean = df_promo['ord_qty'].mean()
nonpromo_mean = df_nonpromo['ord_qty'].mean()

# 4. 可視化比較促銷期和非促銷期的訂單需求量
。。。略，請下載完整代碼
ax.bar(['Promotion', 'Non-promotion'], [promo_mean, nonpromo_mean])
ax.set_xlabel('Period')
ax.set_ylabel('Average order quantity')
ax.set_title('Effect of promotions on order quantity')
plt.show()

從條形圖中可以看出，參與促銷的產(chǎn)品平均需求量比沒有參與促銷的產(chǎn)品平均需求量要高。這表明促銷活動對產(chǎn)品需求量有積極的影響。

8、季節(jié)因素對產(chǎn)品需求量的影響

1. 將訂單日期轉(zhuǎn)換為季節(jié)，按季度聚合訂單需求量。
2. 對于每個季節(jié)，繪制訂單需求量的直方圖和核密度圖，以及訂單需求量與產(chǎn)品價(jià)格的散點(diǎn)圖。

import pandas as pd
import matplotlib.pyplot as plt

# 讀取數(shù)據(jù)
df = pd.read_csv('order_train1.csv')

# 將訂單日期轉(zhuǎn)換為季節(jié)
def date_to_season(date):
    year, month, day = map(int, date.split('/'))
    if month in (3, 4, 5):
        return 'Spring'
    elif month in (6, 7, 8):
        return 'Summer'
    elif month in (9, 10, 11):
        return 'Autumn'
    else:
        return 'Winter'

df['Season'] = df['order_date'].apply(date_to_season)

# 按季度聚合訂單需求量
。。。略，請下載完整代碼

# 繪制直方圖和核密度圖
for season in ['Spring', 'Summer', 'Autumn', 'Winter']:
    plt.figure(figsize=(8,6))
    plt.hist(df[df['Season'] == season]['ord_qty'], bins=20, alpha=0.5, color='blue')
    df[df['Season'] == season]['ord_qty'].plot(kind='density', secondary_y=True)
    plt.title('Demand Distribution in ' + season)
    plt.xlabel('Order Demand')
    plt.ylabel('Frequency / Density')
    plt.show()

# 繪制散點(diǎn)圖
for season in ['Spring', 'Summer', 'Autumn', 'Winter']:
    plt.figure(figsize=(8,6))
    plt.scatter(df[df['Season'] == season]['item_price'], df[df['Season'] == season]['ord_qty'], alpha=0.5)
    plt.title('Demand vs. Price in ' + season)
    plt.xlabel('Item Price')
    plt.ylabel('Order Demand')
    plt.show()

從結(jié)果中可以看出，不同季節(jié)的訂單需求量分布存在差異，例如冬季的訂單需求量普遍較高，而夏季的訂單需求量則普遍較低。此外，不同季節(jié)的訂單需求量與產(chǎn)品價(jià)格之間的關(guān)系也存在一定的差異，例如在春季和秋季，訂單需求量與產(chǎn)品價(jià)格之間存在一定的正相關(guān)關(guān)系，而在夏季和冬季則不存在明顯的相關(guān)性。

2.2 問題二

【2023年第十一屆泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽】B題：產(chǎn)品訂單的數(shù)據(jù)分析與需求預(yù)測 建模及python代碼詳解 問題二

3 完整代碼

電腦瀏覽器打開

betterbench.top/#/49/detail