GPT4做数据分析时间序列预测之七相当棒2023.6.1

1、给excel，计算每个年月后面6个月的销售额累计值

2、预测

3、多种方法预测

4、对比准确率

-------------------------------------------------------

1、有一个excel如下，写一个python程序，计算每个年月的后面6个月的销售额的累计值，保存在新excel中，包含年月、销售额、后面6个月的销售额的累计值

2、

代码语言：javascript复制

好的，可以使用 Pandas 库来读取和处理 Excel 文件。以下是一个示例代码，可以实现您的需求：

```python
import pandas as pd

# 读取 Excel 文件
df = pd.read_excel('sales.xlsx')

# 将日期列转换为 datetime 类型
df['年月'] = pd.to_datetime(df['年月'])

# 按年月排序
df = df.sort_values('年月')

# 计算每个年月后面6个月的销售额的累计值
df['后6个月销售额累计值'] = df['销售金额'].rolling(7, min_periods=1).sum().shift(-6)

# 保存结果到新的 Excel 文件
df.to_excel('sales_with_cumulative.xlsx', index=False)
```

在这个示例代码中，我们首先使用 Pandas 库的 `read_excel` 函数读取了原始 Excel 文件，并将日期列转换为 datetime 类型。然后，我们按年月排序，以确保计算后6个月销售额累计值时的顺序是正确的。接下来，我们使用 Pandas 库的 `rolling` 函数计算每个年月后面6个月的销售额的累计值，并使用 `shift` 函数将结果向上移动6行，以确保每个年月的累计值对应的是后面6个月的销售额。最后，我们使用 Pandas 库的 `to_excel` 函数将结果保存到新的 Excel 文件中。

3、后面6个月的销售额的累计值，不包括本月销售额，重新修改代码

4、有一个excel，文件名为销售数据.xlsx,A列为年月、B列为销售额，如下，写一个python程序，计算每个年月的后面6个月的销售额的累计值，保存在新excel中，包含年月、销售额、后面6个月的销售额的累计值，后面6个月的销售额的累计值，不包括本月销售额。

代码语言：javascript复制

好的，可以使用 Pandas 库来读取和处理 Excel 文件。以下是代码示例：

```python
import pandas as pd

# 读取 Excel 文件
df = pd.read_excel('销售额.xlsx')

# 将年月列转换为日期格式
df['年月'] = pd.to_datetime(df['年月'], format='%Y年%m月%d日')

# 对数据按照年月进行排序
df = df.sort_values('年月')

# 计算每个年月后面6个月的销售额的累计值
df['后6个月销售额累计值'] = df['销售金额'].rolling(7, min_periods=1).sum().shift(-1) - df['销售金额']

# 保存结果到新的 Excel 文件
df.to_excel('销售额累计值.xlsx', index=False)
```

解释一下代码：

1. 首先，我们使用 Pandas 库的 `read_excel` 函数读取 Excel 文件，并将其存储在一个 DataFrame 对象中。

2. 然后，我们使用 `to_datetime` 函数将年月列转换为日期格式，并使用 `sort_values` 函数按照年月进行排序。

3. 接下来，我们使用 `rolling` 函数计算每个年月后面6个月的销售额的累计值。具体而言，我们使用窗口大小为7（包括当前行和后面6行），并使用 `min_periods=1` 参数确保即使窗口中只有一个值，也会进行计算。最后，我们使用 `shift` 函数将结果向上移动一行，以便将当前行的销售额排除在计算之外。

4. 最后，我们使用 `to_excel` 函数将结果保存到新的 Excel 文件中，并使用 `index=False` 参数确保不将行索引写入文件中。

希望这个代码示例能够帮助你完成任务。

5、有一个excel，文件名为销售数据.xlsx,A列为年月、B列为本月实际销售金额，如下，写一个python程序，计算每个年月的后面6个月的销售额的累计值，保存在新excel中，包含年月、本月实际销售金额、未来6个月、未来6个月实际销售额累计值，未来6个月实际销售额累计值，不包括本月销售额。

希望获得的excel如下格式：

年月	本月实际销售金额	未来6个月	未来6个月实际销售额累计值
2018-01-01 00:00:00		2018-02至2018-07
2018-02-01 00:00:00		2018-03至2018-08
2018-03-01 00:00:00		2018-04至2018-09
2018-04-01 00:00:00		2018-05至2018-10
2018-05-01 00:00:00		2018-06至2018-11

6、完成

代码语言：javascript复制

import pandas as pd

# 读取销售数据
销售数据 = pd.read_excel('销售数据.xlsx')
销售数据['年月'] = pd.to_datetime(销售数据['年月'])

# 初始化结果数据框
结果 = pd.DataFrame(columns=['年月', '本月实际销售金额', '未来6个月', '未来6个月实际销售额累计值'])

# 计算每个年月的后面6个月的销售额累计值
for i in range(len(销售数据) - 6):
    当前年月 = 销售数据.iloc[i]['年月']
    本月实际销售金额 = 销售数据.iloc[i]['本月实际销售金额']
    未来6个月销售额累计值 = 销售数据.iloc[i 1:i 7]['本月实际销售金额'].sum()
    未来6个月 = (当前年月   pd.DateOffset(months=1)).strftime('%Y-%m')   '至'   (当前年月   pd.DateOffset(months=7)).strftime('%Y-%m')
    
    结果 = 结果.append({
        '年月': 当前年月,
        '本月实际销售金额': 本月实际销售金额,
        '未来6个月': 未来6个月,
        '未来6个月实际销售额累计值': 未来6个月销售额累计值
    }, ignore_index=True)

# 保存结果到新的Excel文件
结果.to_excel('未来6个月销售额累计值.xlsx', index=False)

7、有excel如下，A、B、C、D列分别为

年月	本月实际销售金额	未来6个月	未来6个月实际销售额累计值

使用移动平均的方法，预测每个年月的未来6个月的销售额累计值，并保存到excel中。

保存格式为：

年月	本月实际销售金额	未来6个月	未来6个月实际销售额累计值	未来6个月预测销售额累计值方法1	未来6个月预测销售额累计值方法2	未来6个月预测销售额累计值方法3	未来6个月预测销售额累计值方法4

8、

有excel如下，A、B、C、D列分别为

年月 本月实际销售金额 未来6个月 未来6个月实际销售额累计值

使用移动平均的方法，预测每个年月的未来6个月的销售额累计值，并保存到excel中。

保存格式为：

年月 本月实际销售金额 未来6个月 未来6个月实际销售额累计值 未来6个月预测销售额累计值方法1 未来6个月预测销售额累计值方法2 未来6个月预测销售额累计值方法3 未来6个月预测销售额累计值方法4 # 移动平均预测 数据子集['移动平均'] = 数据子集['销售金额'].rolling(window=36).mean() 预测_移动平均 = [数据子集['移动平均'].iloc[-1]] # 使用最后一个移动平均值作为预测值

代码语言：javascript复制

根据您的要求，我编写了一个使用移动平均方法预测每个年月的未来6个月销售额累计值的代码，并将结果保存到Excel中。下面是完整的代码：

```python
import pandas as pd

# 读取Excel文件
数据 = pd.read_excel('销售数据.xlsx')

# 将年月列转换为时间格式
数据['年月'] = pd.to_datetime(数据['年月'])

# 计算后6个月销售额累计值
数据['未来6个月实际销售额累计值'] = 数据['本月实际销售金额'].rolling(window=7).sum().shift(-6)

# 计算移动平均
for i in range(36, len(数据)):
    数据子集 = 数据.iloc[:i 1].copy()
    数据子集['移动平均'] = 数据子集['本月实际销售金额'].rolling(window=36).mean()
    预测_移动平均 = [数据子集['移动平均'].iloc[-1]] * 6  # 使用最后一个移动平均值作为预测值
    数据.loc[i, '未来6个月预测销售额累计值方法1'] = sum(预测_移动平均)

# 其他预测方法（方法2、方法3、方法4）
# 在此添加其他预测方法的代码

# 将预测结果保存到新的Excel文件中
数据.to_excel('预测销售数据.xlsx', index=False)
```

这段代码首先从Excel文件中读取数据，然后计算每个年月的后6个月实际销售额累计值。接下来，使用移动平均方法预测每个年月的未来6个月销售额累计值，并将结果保存到名为"未来6个月预测销售额累计值方法1"的新列中。最后，将结果保存到新的Excel文件中。

请注意，这段代码仅包含使用移动平均方法进行预测的部分。如果您需要添加其他预测方法，请在注释`# 其他预测方法（方法2、方法3、方法4）`下方添加相应的代码。

9、结合下面的代码，用多种方法预测未来6个月预测销售额累计值。

代码语言：javascript复制

import pandas as pd
from statsmodels.tsa.statespace.sarimax import SARIMAX
from prophet import Prophet 
from pmdarima import auto_arima
from statsmodels.tsa.holtwinters import ExponentialSmoothing as ES1
from statsmodels.tsa.api import ExponentialSmoothing as ES2
import numpy as np
from sklearn.svm import SVR
# from pydlm import dlm, trend, seasonality

# 读取数据并处理时间
销售数据 = pd.read_excel('销售数据.xlsx')
销售数据['年月'] = pd.to_datetime(销售数据['年月'])
销售数据.set_index('年月', inplace=True)

所有预测 = pd.DataFrame()

for i in range(30, len(销售数据)):
    数据子集 = 销售数据.iloc[:i 1].copy()
    
    # 获取最后一个销售额
    最后销售额 = [数据子集['销售金额'].iloc[-1]]
    
    # 获取最后一个年月
    最后年月 = [数据子集.index[-1]]

    # SARIMA
    SARIMA模型 = SARIMAX(数据子集['销售金额'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
    SARIMA模型拟合 = SARIMA模型.fit(disp=False)
    SARIMA预测 = SARIMA模型拟合.predict(start=len(数据子集), end=len(数据子集))

    # Prophet
    数据_Prophet = 数据子集.reset_index().rename(columns={'年月': 'ds', '销售金额': 'y'})
    Prophet模型 = Prophet()
    Prophet模型.fit(数据_Prophet)
    未来 = Prophet模型.make_future_dataframe(periods=1, freq='MS')
    Prophet预测 = Prophet模型.predict(未来)
    Prophet预测数据 = Prophet预测[['ds', 'yhat']].iloc[-1]

    # ARIMA
    ARIMA模型 = auto_arima(数据子集['销售金额'], seasonal=True, m=12)
    ARIMA预测 = ARIMA模型.predict(n_periods=1)

    # ExponentialSmoothing方法1
    ES1模型 = ES1(数据子集['销售金额'], trend='add', seasonal='add', seasonal_periods=12)
    ES1模型拟合 = ES1模型.fit()
    ES1预测 = ES1模型拟合.predict(start=len(数据子集), end=len(数据子集))

    # ExponentialSmoothing方法2
    ES2模型 = ES2(数据子集['销售金额'], trend='add', seasonal='add', seasonal_periods=12)
    ES2模型拟合 = ES2模型.fit()
    ES2预测 = ES2模型拟合.forecast(steps=1)

    # SVM
    SVM模型 = SVR()
    时间序列 = np.arange(len(数据子集)).reshape(-1, 1)
    SVM模型.fit(时间序列, 数据子集['销售金额'].values)
    SVM预测 = SVM模型.predict(np.array([[len(数据子集)]]))
    
    # 移动平均预测
    数据子集['移动平均'] = 数据子集['销售金额'].rolling(window=36).mean()
    预测_移动平均 = [数据子集['移动平均'].iloc[-1]]  # 使用最后一个移动平均值作为预测值
    
    

    预测数据 = pd.DataFrame({
        '数据子集最后年月': 最后年月,
        '预测的年月': [数据子集.index[-1]   pd.DateOffset(months=1)],
        '销售金额': 最后销售额,
        'SARIMA预测销售金额': SARIMA预测.values,
        'Prophet预测销售金额': [Prophet预测数据['yhat']],
        'ARIMA预测销售金额': ARIMA预测,
        'ExponentialSmoothing方法1预测销售金额': ES1预测.values,
        'ExponentialSmoothing方法2预测销售金额': ES2预测,
        'SVM预测销售金额': SVM预测,
        '移动平均预测销售金额': 预测_移动平均
    })
    
    所有预测 = 所有预测.append(预测数据)

所有预测.to_excel('预测销售数据.xlsx', index=False)

数据分析 函数 模型 排序 数据

0 人点赞