1. 项目背景与数据概览Rossmann是欧洲第二大药妆连锁品牌在7个国家拥有超过3000家门店。销售预测对零售行业至关重要直接影响库存管理、人员排班和促销策略。这个项目将带大家完整走一遍零售销量预测的实战流程从原始数据加载到最终模型训练与分析。我处理过多个零售行业的预测项目发现Rossmann数据集有几个典型特点一是存在门店间的区域差异二是促销活动对销量影响显著三是节假日效应明显。这些特性使得它成为练习时间序列预测的绝佳素材。2. 数据加载与初步探索2.1 数据文件结构解析Rossmann官方数据集通常包含两个核心文件train.csv2013-2015年的每日销售记录store.csv各门店的属性信息用pandas加载时要注意日期列的解析import pandas as pd # 读取时指定日期解析器 train pd.read_csv(train.csv, parse_dates[Date]) store pd.read_csv(store.csv) # 检查内存占用 print(f训练集占用内存: {train.memory_usage().sum()/1024**2:.2f} MB)2.2 数据质量检查清单在正式分析前必须完成的检查项缺失值检测用df.isnull().sum()逐列检查异常值筛查重点检查Sales为0或负值的记录时间跨度验证确认日期是否连续门店覆盖检查确保所有门店在store表中都有对应信息经验提示零售数据常见问题是促销期间的销量记录缺失这需要特别关注3. 特征工程深度解析3.1 时间特征构造时间特征是零售预测的核心至少要包含# 基础时间特征 train[Year] train[Date].dt.year train[Month] train[Date].dt.month train[Week] train[Date].dt.isocalendar().week train[DayOfWeek] train[Date].dt.dayofweek train[DayOfYear] train[Date].dt.dayofyear # 高级时间特征 train[IsMonthStart] train[Date].dt.is_month_start.astype(int) train[IsMonthEnd] train[Date].dt.is_month_end.astype(int)3.2 门店特征融合store表包含的关键信息需要与销售数据关联# 合并数据集 full_data pd.merge(train, store, onStore, howleft) # 处理分类变量 store_types {a:1, b:2, c:3, d:4} full_data[StoreType] full_data[StoreType].map(store_types)3.3 促销效应建模促销活动的影响是非线性的建议采用促销前效应提前3天的销量变化促销后效应结束后1周的销量衰减促销组合特征当促销与节假日重叠时的特殊标记4. 数据预处理关键步骤4.1 异常值处理策略对于零销量的特殊情况需要区分门店歇业合法零值数据记录错误需修正处理代码示例# 确认歇业记录 closed_stores full_data[full_data[Open]0] valid_zero closed_stores[closed_stores[Sales]0] # 处理异常零值 full_data full_data[~((full_data[Open]1) (full_data[Sales]0))]4.2 缺失值填补技巧不同特征的缺失值应采用不同策略竞争距离用中位数填补新增缺失标记促销间隔用业务默认值填补天气数据用最近门店的值插补5. 模型训练与验证5.1 基准模型选择对于零售预测建议从这些模型开始XGBoost处理混合特征效果最佳LightGBM训练速度有优势Prophet擅长捕捉季节效应from sklearn.model_selection import TimeSeriesSplit from xgboost import XGBRegressor # 时间序列交叉验证 tscv TimeSeriesSplit(n_splits5) model XGBRegressor(objectivereg:squarederror, n_estimators1000) for train_idx, test_idx in tscv.split(X): X_train, X_test X.iloc[train_idx], X.iloc[test_idx] y_train, y_test y.iloc[train_idx], y.iloc[test_idx] model.fit(X_train, y_train) # 评估代码...5.2 特征重要性分析通过SHAP值深入理解模型import shap explainer shap.TreeExplainer(model) shap_values explainer.shap_values(X_test) # 可视化 shap.summary_plot(shap_values, X_test)6. 实战中的经验教训节假日处理陷阱不同地区的节假日影响差异很大需要按国家/地区单独处理门店开业时长效应新开门店的前3个月销量模式与稳定期完全不同促销疲劳现象连续促销的效果会递减这个非线性关系需要特别建模天气数据的使用降雨量对销量的影响存在2-3天的滞后效应关键建议先用6个月的数据快速验证特征工程方案再扩展到全量数据7. 性能优化技巧内存优化将分类变量转换为category类型cat_cols [Store, DayOfWeek, Promo] full_data[cat_cols] full_data[cat_cols].astype(category)并行处理利用joblib加速特征计算from joblib import Parallel, delayed def compute_feature(df): # 特征计算逻辑 return result results Parallel(n_jobs4)(delayed(compute_feature)(group) for _, group in full_data.groupby(Store))增量训练对于大规模数据使用partial_fit方法8. 分析报告的关键要素完整的销售预测报告应包含门店级预测准确度分布误差的时间分布模式重要特征贡献度排名特殊事件的影响量化不同产品类别的预测差异我通常会使用Plotly创建交互式报告方便业务方探索不同维度的预测结果。比如用热力图展示每周各天的预测误差模式能直观发现周几的系统性预测偏差。