用python写一份药品销售预测

药品销售预测是一项复杂的任务，需要考虑许多因素，例如历史销售数据、季节性因素、促销活动等。以下是一个简单的药品销售预测的代码示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 读入数据
data = pd.read_csv('drug_sales.csv')

# 数据清洗和预处理
data = data.dropna()  # 删除缺失值
X = data.drop('sales', axis=1)  # 特征矩阵
y = data['sales']  # 目标变量

# 特征工程
X = pd.get_dummies(X)  # 对类别变量进行独热编码

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立模型
model = LinearRegression()
model.fit(X_train, y_train)

# 模型评估
score_train = model.score(X_train, y_train)
score_test = model.score(X_test, y_test)
print('训练集得分：%f，测试集得分：%f' % (score_train, score_test))

# 模型预测
X_new = np.array([2022, 3, 2, 1, 0, 1, 0, 1]).reshape(1, -1)  # 新数据
y_pred = model.predict(X_new)
print('预测结果：%f' % y_pred)

# 可视化预测结果
plt.plot(y_test.values, label='true')
plt.plot(model.predict(X_test), label='predicted')
plt.legend()
plt.show()

该代码以线性回归模型为例，使用了 Sklearn 库进行实现。其中，首先读入数据，然后进行数据清洗和预处理，对类别变量进行独热编码。接着，使用 train_test_split 函数将数据划分为训练集和测试集，然后建立线性回归模型并进行模型评估。最后，使用新数据进行预测，并可视化预测结果。

需要注意的是，药品销售预测是一个复杂的任务，需要考虑许多因素，因此模型的预测结果可能存在误差。在实际应用中，应该结合实际情况进行分析和判断。