没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
30页
商超(超市和零售店)在现代经济中扮演着至关重要的角色,然而,它们在蔬菜商品管理中面临着多重挑战。这些挑战包括如何准确预测销售趋势、合理制定价格策略、以及有效制定补货计划等问题。 解决这些问题对于商超来说至关重要,因为它们直接影响着销售收益、库存成本和客户满意度。因此,本研究旨在为商超提供一套全面的蔬菜商品管理策略,以帮助它们更好地应对这些挑战。 针对问题一,在蔬菜商品管理中,首要问题之一是如何准确预测销售趋势。这包括了不同蔬菜品类的销售模式,如季节性销售高峰和低谷。我们需要深入了解哪些蔬菜在特定时间段内销售最活跃,以及它们之间的差异。这个问题的解决有助于商超更有针对性地制定促销策略和补货计划。 针对问题二,制定合理的价格策略对于商超至关重要,因为它们需要平衡销售利润和客户价格敏感度。我们需要建立一个定价模型,考虑商品成本、预期销售量和销售利润等因素。这个模型将为每个蔬菜品类提供合理的售价建议,确保商超实现销售利润的最大化,同时提供具有竞争力的价格。 针对问题三,如何确定每个单品的补货量以及建议的定价策略是另一个重要问题。我们需要通过组合优化方法,确定每个单品的最佳补货量和定价策
资源推荐
资源详情
资源评论
建模国赛C
附件 1 6 个蔬菜品类的商品信息 (数据无异常)
附件 2 销售流水明细数据
附件 3 蔬菜类商品的批发价格
附件 4 蔬菜类商品的近期损耗率
注 (1) 附件 1 中,部分单品名称包含的数字编号表示不同的供应来源。
相关库导
(2) 附件 4 中的损耗率反映了近期商品的损耗情况,通过近期盘点周期的数据计算得到。
入
In[122]:
导入数据集
In[4]:
In[5]:
In[6]:
In[7]:
数据查看
In[9]:
Out[9]:
单品编码 单品名称 分类编码 分类名称
0 102900005115168
牛首生菜
1011010101
花叶类
1 102900005115199
四川红香椿
1011010101
花叶类
2 102900005115625
本地小毛白菜
1011010101
花叶类
3 102900005115748
白菜苔
1011010101
花叶类
4 102900005115762
苋菜
1011010101
花叶类
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
import seaborn as sns
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei']
myfont = matplotlib.font_manager.FontProperties(fname=r"simhei.ttf")
df1=pd.read_excel(r"附件1.xlsx")
df2=pd.read_excel(r"附件2.xlsx")
df3=pd.read_excel(r"附件3.xlsx")
df4=pd.read_excel(r"附件4.xlsx")
df1.head()
In[11]:
In[12]:
In[13]:
问题1
蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系,请分析蔬菜各品类及单品销售量的分布规律及相互关系。
In[68]:
In[82]:
In[137]:
Out[11]:
0 1 2 3 4
销售日期
2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00
扫码销售时间
09:15:07.924 09:17:27.295 09:17:33.905 09:19:45.450 09:20:23.686
单品编码
102900005117056 102900005115960 102900005117056 102900005115823 102900005115908
销量(千克)
0.396 0.849 0.409 0.421 0.539
销售单价(元/千克)
7.6 3.2 7.6 10.0 8.0
销售类型 销售 销售 销售 销售 销售
是否打折销售 否 否 否 否 否
Out[12]:
0 1 2 3 4
日期
2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00 2020-07-01 00:00:00
单品编码
102900005115762 102900005115779 102900005115786 102900005115793 102900005115823
批发价格(元/千克)
3.88 6.72 3.19 9.24 7.03
Out[13]:
0 1 2 3 4
小分类编码
1011010201 1011010402 1011010101 1011010801 1011010504
小分类名称 花菜类 水生根茎类 花叶类 食用菌 辣椒类
平均损耗率(%)_小分类编码_不同值
15.51 13.65 12.83 9.45 9.24
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 878503 entries, 0 to 878502
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 销售日期 878503 non-null datetime64[ns]
1 扫码销售时间 878503 non-null object
2 单品编码 878503 non-null int64
3 销量(千克) 878503 non-null float64
4 销售单价(元/千克) 878503 non-null float64
5 销售类型 878503 non-null object
6 是否打折销售 878503 non-null object
dtypes: datetime64[ns](1), float64(2), int64(1), object(3)
memory usage: 46.9+ MB
df2.head().T
df3.head().T
df4.head().T
解题思路:提取蔬菜各类销售数据,对蔬菜品类各品类(/单品),进行描述性统计or可视化绘制散点、柱状图等,
检验正态性,正态使用皮尔逊,不是正态就使用斯皮尔曼。
df2.info()
#蔬菜单销量(按月份统计)
df_1=df2.iloc[:,[0,2,3,4,5]]
df_1=df_1[df_1['销售类型']!='退货']#销售量,所以退货不考虑
# (每年每月销售量)
df_1['月份'] = df_1['销售日期'].dt.month
df_1['年月'] =df_1['销售日期'].dt.strftime('%Y-%m')
In[138]:
In[159]:
In[160]:
Out[138]:
销售日期 单品编码 销量(千克) 销售单价(元/千克) 销售类型 月份 年月
0 2020-07-01 102900005117056 0.396 7.6
销售
7 2020-07
1 2020-07-01 102900005115960 0.849 3.2
销售
7 2020-07
2 2020-07-01 102900005117056 0.409 7.6
销售
7 2020-07
3 2020-07-01 102900005115823 0.421 10.0
销售
7 2020-07
4 2020-07-01 102900005115908 0.539 8.0
销售
7 2020-07
... ... ... ... ... ... ... ...
878498 2023-06-30 102900005115250 0.284 24.0
销售
6 2023-06
878499 2023-06-30 102900011022764 0.669 12.0
销售
6 2023-06
878500 2023-06-30 102900005115250 0.125 24.0
销售
6 2023-06
878501 2023-06-30 102900011016701 0.252 5.2
销售
6 2023-06
878502 2023-06-30 102900011022764 0.803 12.0
销售
6 2023-06
878042 rows × 7 columns
Out[159]:
单品编码 单品名称 分类名称
0 102900005115168
牛首生菜 花叶类
1 102900005115199
四川红香椿 花叶类
2 102900005115625
本地小毛白菜 花叶类
3 102900005115748
白菜苔 花叶类
4 102900005115762
苋菜 花叶类
... ... ... ...
246 106958851400125
海鲜菇(袋)(4) 食用菌
247 106971533450003
海鲜菇(包) 食用菌
248 106971533455008
海鲜菇(袋)(3) 食用菌
249 106973223300667
虫草花(盒)(2) 食用菌
250 106973990980123
和丰阳光海鲜菇(包) 食用菌
251 rows × 3 columns
Out[160]:
单品编码 销量(千克) 月份
0 102900005117056 0.396 7
1 102900005115960 0.849 7
2 102900005117056 0.409 7
3 102900005115823 0.421 7
4 102900005115908 0.539 7
... ... ... ...
878498 102900005115250 0.284 6
878499 102900011022764 0.669 6
878500 102900005115250 0.125 6
878501 102900011016701 0.252 6
878502 102900011022764 0.803 6
878042 rows × 3 columns
df_1
#品类表
df1_data=df1.iloc[:,[0,1,3]]
df1_data
df_1.iloc[:,[1,2,5]]
In[161]:
In[158]:
探究蔬菜各品类
In[162]:
In[163]:
Out[158]:
单品编码 分类名称
0 102900005115168
花叶类
1 102900005115199
花叶类
2 102900005115625
花叶类
3 102900005115748
花叶类
4 102900005115762
花叶类
... ... ...
246 106958851400125
食用菌
247 106971533450003
食用菌
248 106971533455008
食用菌
249 106973223300667
食用菌
250 106973990980123
食用菌
251 rows × 2 columns
Out[163]:
单品编码 销量(千克) 月份 单品名称 分类名称
0 102900005117056 0.396 7
泡泡椒(精品) 辣椒类
1 102900005115960 0.849 7
大白菜 花叶类
2 102900005117056 0.409 7
泡泡椒(精品) 辣椒类
3 102900005115823 0.421 7
上海青 花叶类
4 102900005115908 0.539 7
菜心 花叶类
... ... ... ... ... ...
878037 102900005115250 0.284 6
西峡花菇(1) 食用菌
878038 102900011022764 0.669 6
长线茄 茄类
878039 102900005115250 0.125 6
西峡花菇(1) 食用菌
878040 102900011016701 0.252 6
芜湖青椒(1) 辣椒类
878041 102900011022764 0.803 6
长线茄 茄类
878042 rows × 5 columns
#表合并(添加品类信息)
data = pd.merge(df_1.iloc[:,[1,2,5]], df1_data, on="单品编码", how="left")
df1_data
# df_1
df_1_data1 = data.pivot_table(index="月份", columns="分类名称", values="销量(千克)", aggfunc=[np.sum], fill_value=0)
data
In[164]:
In[112]:
In[116]:
Out[164]:
sum
分类名称 水生根茎类 花叶类 花菜类 茄类 辣椒类 食用菌
月份
1 6092.274 17857.651 4103.958 1799.962 10205.431 9827.299
2 4065.083 14572.100 3437.325 1850.245 9684.989 7594.469
3 2516.076 13915.576 2579.784 1561.455
4 1395.519 13553.790
8915.800 5732.215
2533.346 1828.698 7392.322 4684.421
5 887.212 14104.847 2704.914 2477.506 6618.500 4054.720
6 1198.471 13297.080 2495.009 2568.890 5944.559 3913.553
7 2740.537 17398.938 4471.245 2900.921 6140.154 4514.817
8 4507.877 24516.036 4926.903 2736.189 9886.956 5298.255
9 3773.185 18738.509 3594.150 1518.448 6760.253 5063.409
10 4938.264 19239.292 3911.686 1402.145 7949.724 8547.848
11 3592.062 14944.403 3884.538 937.199 6162.623 8159.765
12 4900.992 16521.331 3146.919 860.461 5983.801 8740.955
Out[116]:
水生根茎类 花叶类 花菜类 茄类 辣椒类 食用菌
月份
1 6092.274 17857.651 4103.958 1799.962 10205.431 9827.299
2 4065.083 14572.100 3437.325 1850.245 9684.989 7594.469
3 2516.076 13915.576 2579.784 1561.455 8915.800 5732.215
4 1395.519 13553.790 2533.346 1828.698 7392.322 4684.421
5 887.212 14104.847 2704.914 2477.506 6618.500 4054.720
6 1198.471 13297.080 2495.009 2568.890 5944.559 3913.553
7 2740.537 17398.938 4471.245 2900.921 6140.154 4514.817
8 4507.877 24516.036 4926.903 2736.189 9886.956 5298.255
9 3773.185 18738.509 3594.150 1518.448 6760.253 5063.409
10 4938.264 19239.292 3911.686 1402.145 7949.724 8547.848
11 3592.062 14944.403 3884.538 937.199 6162.623 8159.765
12 4900.992 16521.331 3146.919 860.461 5983.801 8740.955
df_1_data1
col=[]
for i in df_1_data1.columns:
i=i[1]
i=str(i)
col.append(''.join(i))
df_1_data1.columns=col
# df_1_data1.reset_index()
df_1_data1
剩余29页未读,继续阅读
资源评论
想找对象的椰子在写文章
- 粉丝: 205
- 资源: 5
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 上市公司-人工智能的采纳程度面板数据(2003-2021年).xlsx
- 第5章spring-mvc请求映射处理
- 2023-04-06-项目笔记 - 第一百十六阶段 - 4.4.2.114全局变量的作用域-114 -2024.04.27
- app-release.apk.1
- soap json 等系列化方式
- c++的五子棋代码,在vs6.0上完美运行
- 基于Javaee的影视创作论坛的设计与实现.rar
- Python导出Mysql数据字典(部分表或全表)
- Java工具类实现输入一个路径,强创建路径、并且鉴权目标路径是否具备修改权限,用于增强程序的健壮性与稳定性,快速开发!
- 资源【STM32+HAL】三轴按键PS2摇杆
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功