BigMart销售预测 BigMart销售数据集包含2013年销售数据，这些数据来自不同城市的10个不同网点的1559种产品。 以下项目的目标是建立一个回归模型，以预测下一年在10个不同的BigMart网点中每种1559产品的销售情况。 BigMart销售数据集还包含每个产品和商店的某些属性。 此模型可帮助BigMart了解在增加整体销售额中起重要作用的产品和商店的属性。 该项目由Harsh Nagoriya自豪地创建。

该数据集包含销售量超过100,000个的视频游戏列表。 vgsales.csv

背景描述 随着市场需求的增长和残酷的竞争，超市巨头正在寻求你的知识，了解什么是最适合他们的。他们希望了解应该瞄准或避免哪些产品、地区、类别和客户细分。 你甚至可以更进一步，尝试建立一个回归模型来预测销售额或利润。 数据说明 Row ID -每一行的唯一ID Order ID-每个客户的唯一订单ID Order Date产品的订单日期 Ship Date -产品发货日期 Ship Mode-客户指定的发货方式 Customer ID-用于标识每个客户的唯一ID Customer Name-客户的名称 Segment -客户所属的段 Country-客户所在国家 City-客户的居住城市 State-客户的居住州 Postal Code-每个客户的邮政编码 Region-客户所属的区域 Product ID -产品的唯一ID Category-所订购产品类别 Sub-Category-所订购产品的子类别 Product Name-产品名称 Sales-产品销售额 Quantity-产品数量 Discount-提供折扣 Profit-所发生的利润/亏损 Row ID

罗斯曼（Rossmann）在欧洲7个国家/地区拥有3,000多家药店。目前，Rossmann商店经理的任务是提前六周预测其每日销售额。商店的销售受到许多因素的影响，包括促销，竞争，学校和州假期，季节性和地区性。成千上万的个人经理根据他们的独特情况预测销售额，结果的准确性可能会大相径庭。 test.csv sample_submission.csv store.csv train.csv

黑色星期五销售 简介：该项目将分析黑色星期五的销售数据，并获得更多见解，以回答以下关键业务问题。 什么是最大售出产品 哪个产品类别的销售额最高 查找购买者的年龄段和他们的intreset乘积 寻找买家的婚姻状况 分析在销售中具有较高兴趣的性别群体 我从挑选了数据集。 目录 安装 文件类型 结果 安装 使用下面的git命令随意克隆/分叉reporsity使用克隆github仓库 $ git clone https://github.com/mathubhalan/Black-Friday-Sales.git ＃文件类型 代码文件“ SalesAnalysis.ipynb”是该项目代码的jupyter笔记本格式。 数据文件夹包含从Kaggle下载的数据集“ BlackFriday.csv”。 许可证文件包含该项目的通用GNU许可证。 SalesAnalysis.html是笔记本文件

乐高销售数据集

二手车交易数据总计15万行 20SaleID name regDate model brand bodyType fuelType gearbox power kilometer notRepairedDamage regionCode seller offerType creatDate price

matlab代码影响深度学习项目-时间序列数据预测（Matlab，LSTM） 作家：姜浩林 有组织的博客 韩文的“自述”发布位于以下地址。 项目主题 第一个主题是分析在线产品价格数据以预测当前产品价格。 但是，由于与大量数据相比时间不足且计算能力有限，我们修改了该项目以分析牛仔裤的在线价格数据并预测不久的将来的牛仔裤价格。 我之所以选择许多牛仔裤，是因为我拥有比其他物品更多的数据，而且我整个季节都可以穿。 （由于缺乏历史数据，所以选择了手机和电视作为牛仔裤。） 对于更多项目，我将在以后尝试找到一种方法。 使用数据 在线收集价格信息数据包括8个项目，包括在线收集的价格信息，收集日期，项目名称和销售价格。 数据收集期为2014年1月至2019年10月。 我在分析中使用的数据使用了2015年1月至2019年10月的数据。 数据分析过程 数据净化 探索数据 纯化其他数据进行分析 预测模型的选择 数据预测 预测评估（RMSE） 语义分析 数据细化 与大量数据（约1亿个数据）相比，由于缺乏计算能力（我的笔记本电脑），我决定使用每天的平均每日销售价格。 为了解释代码，我们按日期检索了数据，并仅从八个

BigMart销售预测 使用五种不同的算法来分析商品销售数据集。 建立模型以根据先前的销售历史预测商品出口销售。

黑色星期五销售 黑色星期五销售数据集的探索性数据分析。 该项目分析了一个黑色星期五购物的小数据集，其中包含来自客户的人口统计数据。 在这里，我将采用统计和机器学习技术以及数据可视化来探索数据集。 给出的功能无法单手预测客户的购买行为，这就是该项目仅专注于探索性数据分析的原因。 数据已从数据科学网站Analytics Vidhya获得。 可以在“ BFS_functions_and_classes.py”中找到所使用的所有自定义函数和类的代码和文档。