基于机器学习sklearn算法的超市预测分析python代码

基于Python的scikit-learn库进行超市销售预测分析，通常涉及数据预处理、特征工程、模型选择和训练等步骤。这里是一个简单的示例，假设我们想要预测某种商品的销量：

# 导入所需的库
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

# 加载数据
data = pd.read_csv('supermarket_sales_data.csv')  # 假设数据文件名是这个

# 数据预处理
data['date'] = pd.to_datetime(data['date'])  # 如果日期是字符串类型
data.set_index('date', inplace=True)  # 设定日期为索引
sales_series = data['sales']

# 特征工程 (如果有的话，如时间序列分解、滚动窗口统计等)
X = sales_series.shift().rolling(window=30).mean()  # 这里简单地使用了前一个月的平均值作为特征

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, sales_series, test_size=0.2, shuffle=False)

# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 训练模型
model = LinearRegression()  # 使用线性回归模型，也可以尝试其他模型如ARIMA或Prophet
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 可视化结果
import matplotlib.pyplot as plt
plt.plot(y_test, label='Actual Sales')
plt.plot(y_pred, label='Predicted Sales')
plt.legend()
plt.show()

# 结果评估
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"Mean Squared Error: {mse}\nR-squared: {r2}")

#