Sales prediction of soda

Importations

Importation des librairies

import pandas as pd # pandas our library for manage the data import numpy as np # usefull for all mathematical uses import datetime as dt import plotly.express as px # plot library from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor from sklearn.linear_model import LinearRegression, Ridge from sklearn.svm import LinearSVR, SVR from sklearn.tree import DecisionTreeRegressor from sklearn.neural_network import MLPRegressor from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor from sklearn.model_selection import cross_validate from sklearn.model_selection import cross_val_score import warnings warnings.filterwarnings(action='ignore') import seaborn as sns # plot library. import matplotlib.pyplot as plt # plot library

Importation du dataset

data_train = pd.read_csv("train.csv") #ensemble de train data_test = pd.read_csv("test.csv") #ensemble de test df_train = pd.DataFrame(data_train) df_test = pd.DataFrame(data_test) df = pd.concat([df_train, df_test]).reset_index(drop=True) #concaténation de l'ensemble de train et de test

Le dataset nous fournit directement un ensemble d'apprentissage et un ensemble de test, j'ai décidé de concaténer les deux afin de pouvoir faire par la suite de la validation croisée sur les différents algorithmes testés. Après sélection du meilleur algorithme par validation croisée, le modèle final sera créé et testé respectivement sur l'ensemble de train et de test fournis par ce dataset. L'ensemble d'apprentissage contient des données sur les ventes de soda dans certaines villes et Grèce de 2012 à 2017 tandis que celui de test contient des données sur ces mêmes villes en 2018.

Description des données

Taille des datasets

print("donnée de train : ", df_train.shape) print("donnée de test : ",df_test.shape) print("toutes nos données : ",df.shape)

donnée de train :  (7560, 12)
donnée de test :  (1080, 12)
toutes nos données :  (8640, 12)

L'ensemble de train possède 7560 lignes pour 12 attributs, celui de test 1080 lignes. Le dataset obtenus après concaténation possède 8640 lignes et 12 attributs

Types

print(df_train.info()) print(df_test.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 7560 entries, 0 to 7559
Data columns (total 12 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   id         6480 non-null   float64
 1   date       6480 non-null   object 
 2   city       6480 non-null   object 
 3   lat        6429 non-null   float64
 4   long       6434 non-null   float64
 5   pop        6480 non-null   float64
 6   shop       6480 non-null   object 
 7   brand      6480 non-null   object 
 8   container  6464 non-null   object 
 9   capacity   6465 non-null   object 
 10  price      6480 non-null   float64
 11  quantity   6480 non-null   float64
dtypes: float64(6), object(6)
memory usage: 708.9+ KB
None
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1080 entries, 0 to 1079
Data columns (total 12 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   id         1080 non-null   int64  
 1   date       1080 non-null   object 
 2   city       1080 non-null   object 
 3   lat        1072 non-null   float64
 4   long       1067 non-null   float64
 5   pop        1080 non-null   int64  
 6   shop       1080 non-null   object 
 7   brand      1080 non-null   object 
 8   container  1077 non-null   object 
 9   capacity   1076 non-null   object 
 10  price      1080 non-null   float64
 11  quantity   1080 non-null   int64  
dtypes: float64(3), int64(3), object(6)
memory usage: 101.4+ KB
None

L'ensemble de train et de test possède bien le même type d'attribut et donc d'informations. Nous nous concentrerons maintenant sur le dataset df pour la suite de l'analyse et de la description de nos données.

print(df.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8640 entries, 0 to 8639
Data columns (total 12 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   id         7560 non-null   float64
 1   date       7560 non-null   object 
 2   city       7560 non-null   object 
 3   lat        7501 non-null   float64
 4   long       7501 non-null   float64
 5   pop        7560 non-null   float64
 6   shop       7560 non-null   object 
 7   brand      7560 non-null   object 
 8   container  7541 non-null   object 
 9   capacity   7541 non-null   object 
 10  price      7560 non-null   float64
 11  quantity   7560 non-null   float64
dtypes: float64(6), object(6)
memory usage: 810.1+ KB
None

La date est considérée comme un objet il faut donc le convertir en un type date, les autres types ont été bien inférés.

Conversion en un type date

df['date']= pd.to_datetime(df['date']) df_b = df df['day']=df['date'].dt.day df['month']=df['date'].dt.month df['year']=df['date'].dt.year df = df.drop(columns=['date'])

Description rapide des données

df.describe()

On remarque une grande disparité des valeurs pour le prix et la quantité. La moyenne du prix est de 1.19, pourtant 25% des valeurs sont au dessus de 1.51 et 50% au dessus de 0.93. Pour la quantité la moyenne est de 16572 mais 50% des valeurs sont au dessus de 25312 et 25% au dessus de 37751. Pour illustrer cette disparité nous pouvons réaliser des boîtes à moustaches.

Boite à moustache des quantités

plt.boxplot(df.dropna().quantity) plt.title("Boîte à moustache des quantités")

Pour expliquer cette disparité nous pouvons premièrement regarder la variation des quantités de soda vendu au cours du temps.

Vente au cours du temps

fig, ax = plt.subplots(nrows = 2, figsize = (13, 13)) flatui = ["#9b59b6"] sns.set_palette(sns.color_palette(flatui)) sns.lineplot(x = df_b.date, y = df_b.quantity, ax = ax[0]) #sns.lineplot(x = df_b.date, y = df_b.price, ax = ax[1]) qm = df[df.year == 2012].groupby(['month'])['quantity'].sum() qm.plot.bar(rot=0, color='red',title ='vente en fonction du mois')

Le premier graphique nous montre la quantité de soda vendu de début 2012 à fin 2018. On remarque clairement une hausse des ventes en fonction du mois de l'année et ce de 2012 à 2018. Le deuxième graphique vient confirmer cette tendance en montrant le nombre de ventes par mois (en moyenne de 2012 à 2018), on remarque une hausse des ventes durant les mois les plus chauds de l'année. La variation des quantités de ventes de soda durant l'année s'explique donc par la variation de la température entre les différents mois de l'année.

Boite à moustache des prix

plt.boxplot(df.dropna().price) plt.title("Boîte à moustache des prix")

Pour le prix, cette disparité est facilement explicable. Le prix dépend du type de soda, de sa taille (en ml) et du magasin qui vend le produit.

Nous réaliserons une analyse plus détaillé des données après avoir réalisé le nettoyage de celles ci :

Nettoyage des données

Nombre de ligne où l'id n'est pas renseigné (ces lignes ne possèdes aucunes informations)

na_id = df.loc[df['id'].isna()] na_id.shape

On remarque que 1080 lignes sont incorrectes et ne peuvent pas être remplacé (aucunes informations n'est renseigné dans ces 1080 lignes), ces 1080 lignes ne peuvent pas être remplacé et doivent être supprimé.

Suppression des lignes avec un champ NA

df = df.dropna() print(df.shape)

(7434, 14)

On a supprimé 1184 lignes dont les 1080 calculées précédemment, soit 104 “vraies” suppression. Si le nombre de lignes supprimées avait été plus élevé nous aurions pu remplacer certaines valeurs, ici presque toutes nos lignes sont correctes (sans compter celle sans aucunes informations) on peut donc les supprimer.

Suppression de la colonne id

df = df.drop(columns=['id'])

La colonne id n'est pas utile et peut être supprimée.

Les différents containers

a = df.groupby(['container','capacity'])['container'].count() print(a)

container  capacity
can        330ml       2477
glass      500ml       2475
plastic    1.5lt       2482
Name: container, dtype: int64

On remarque que le type de container contient toujours la même capacité. On peut donc se passer de la colonne container (ou capacity).

Suppression de la colonne container

df = df.drop(columns=['container'])

Numérisation de la colonne capacity

df['capacity'] = df['capacity'].replace(['330ml','500ml','1.5lt'],[1,2,3])

Les différentes valeurs de la colonne capacity peuvent être ordonnées selon un ordre (330ml < 500ml < 1.5lt) nous pouvons donc remplacer ces valeurs par des nombres. Ceci nous permet d'ajouter une colonne de moins lors de la binarisation des variables catégoriques.

Binarisation des variables catégoriques

dfbin = pd.get_dummies(df) dfbin

Analyse des données

Corrélation entre les différents attributs

corr = dfbin.iloc[:,:11].corr() plt.subplots(figsize=(15,10)) ax = plt.axes() ax.set_title("Correlation Heatmap") sns.heatmap(corr, xticklabels=corr.columns.values, yticklabels=corr.columns.values)

On remarque une corrélation négative entre le prix et la quantité de vente (ce qui est plutôt logique). On remarque aussi une corrélation positive entre le prix et la capacité, encore une fois ceci est logique, plus le soda est grand (en ml) plus celui-ci coûte cher.

Quantité de ventes en fonction du prix (et de la taille du soda)

sns.set_palette('RdPu') plt.figure(figsize=(10,10)) sns.set_context("poster", font_scale=0.7) sns.scatterplot(data = df, y='price', x ='quantity',hue='capacity')

Répartition des capacités des sodas

b_df = df.groupby('capacity')['capacity'].count() print(b_df) df.capacity.value_counts().plot.pie(title = 'Pie chart purpose', figsize=(10,10))

capacity
1    2477
2    2475
3    2482
Name: capacity, dtype: int64

Répartition des données par magasin et par ville

a = df.groupby(['shop','city'])['shop'].count() print(a)

shop    city        
shop_1  Athens          1234
shop_2  Irakleion       1240
shop_3  Athens          1235
shop_4  Thessaloniki    1245
shop_5  Larisa          1238
shop_6  Patra           1242
Name: shop, dtype: int64

Le nombre de réponses par magasin est quasiment équivalent, le cas contraire aurait pu amener un biais. Nous remarquons aussi que deux magasins différents sont référencés pour la ville d'Athènes

Répartition des données par villes

b_df = df.groupby('city')['city'].count() print(b_df) df.city.value_counts().plot.pie(title = 'Pie chart purpose', figsize=(10,10))

city
Athens          2469
Irakleion       1240
Larisa          1238
Patra           1242
Thessaloniki    1245
Name: city, dtype: int64

Nous remarquons deux fois plus de réponses pour la ville d'Athènes, cela est dû au fait que deux magasins différents y sont référencés.

Nombre de réponse par ans et par magasin

a = df.groupby(['shop','year'])['shop'].count() print(a)

shop    year  
shop_1  2012.0    179
        2013.0    176
        2014.0    179
        2015.0    177
        2016.0    172
        2017.0    178
        2018.0    173
shop_2  2012.0    175
        2013.0    179
        2014.0    179
        2015.0    176
        2016.0    175
        2017.0    177
        2018.0    179
shop_3  2012.0    176
        2013.0    178
        2014.0    176
        2015.0    178
        2016.0    178
        2017.0    175
        2018.0    174
shop_4  2012.0    179
        2013.0    178
        2014.0    178
        2015.0    177
        2016.0    176
        2017.0    178
        2018.0    179
shop_5  2012.0    178
        2013.0    176
        2014.0    177
        2015.0    177
        2016.0    177
        2017.0    177
        2018.0    176
shop_6  2012.0    177
        2013.0    176
        2014.0    179
        2015.0    176
        2016.0    180
        2017.0    177
        2018.0    177
Name: shop, dtype: int64

Le nombre de réponses par an et par différents magasins est homogène avec de petites variations entre les magasins et les années.

Nombre de vente total par magasin

array = df.groupby(['shop'])['quantity'].sum() print(array) array.plot.bar(rot=0, color='red')

shop
shop_1    31845994.0
shop_2    38557886.0
shop_3    25568244.0
shop_4    41754048.0
shop_5    29024308.0
shop_6    51861119.0
Name: quantity, dtype: float64

Nombre de vente par ville

array2 = df.groupby(['city'])['quantity'].sum() array2.plot.bar(rot=0, color='green')

Nombre de vente par type de soda

array3 = df.groupby(['brand'])['quantity'].sum() array3.plot.bar(rot=0, color='blue')

Apprentissage et test

Séparation des données en deux ensembles, nos données pour prédire et ce que l'on veut prédire

X = dfbin.drop(columns=['quantity']) y = dfbin['quantity']

Evaluation croisée sur différents models de regression

Nous réalisons une évaluation croisée sur 5 ensembles différents (la valeur par défaut de cross_validate). Cette validation croisée nous permet de réduire le biais dû à la sélection de nos ensemble d'apprentissage et de test.

print(cross_val_score(KNeighborsRegressor(), X, y).mean())

0.3908975239728387

LR = cross_validate(LinearRegression(), X, y) print("score moyens ", LR['test_score'].mean()) print("temps moyens d'execution " , LR['fit_time'].mean() , " seconde(s)")

score moyens  0.5725498795395755
temps moyens d'execution  0.029867076873779298  seconde(s)

Ridge = cross_validate(Ridge(), X, y) print("score moyens " , Ridge['test_score'].mean()) print("temps moyens d'execution " , Ridge['fit_time'].mean() , " seconde(s)")

score moyens  0.5727942520675664
temps moyens d'execution  0.02095060348510742  seconde(s)

SVR = cross_validate(SVR(), X, y) print("score moyens " , SVR['test_score'].mean()) print("temps moyens d'execution " , SVR['fit_time'].mean() , " seconde(s)")

score moyens  -0.05494205751393313
temps moyens d'execution  3.9347066402435305  seconde(s)

DTR = cross_validate(DecisionTreeRegressor(), X, y) print("score moyens " , DTR['test_score'].mean()) print("temps moyens d'execution " , DTR['fit_time'].mean() , " seconde(s)")

score moyens  0.8391348302207959
temps moyens d'execution  0.05315852165222168  seconde(s)

MLPR = cross_validate(MLPRegressor(), X, y) print("score moyens " , MLPR['test_score'].mean()) print("temps moyens d'execution " , MLPR['fit_time'].mean() , " seconde(s)")

score moyens  0.04256108762733905
temps moyens d'execution  6.009259128570557  seconde(s)

RFR = cross_validate(RandomForestRegressor(), X, y) print("score moyens " , RFR['test_score'].mean()) print("temps moyens d'execution " , RFR['fit_time'].mean() , " seconde(s)")

score moyens  0.9310070225141784
temps moyens d'execution  3.1562034130096435  seconde(s)

GBR = cross_validate(GradientBoostingRegressor(), X, y) print("score moyens " , GBR['test_score'].mean()) print("temps moyens d'execution " , GBR['fit_time'].mean() , " seconde(s)")

score moyens  0.8959493783494038
temps moyens d'execution  0.8880146026611329  seconde(s)

Model final

Choix de l'algorithme

L'arbre de décision, la forêt aléatoire et le gradient boosting nous donnent de bons résultats. Nous allons maintenant entraîner et tester ces algorithmes sur notre ensemble d'apprentissage et de test que nous avons importé au début du projet afin de choisir notre modèle final.

X_train = dfbin[dfbin['year'] < 2018].drop(columns=['quantity']) X_test = dfbin[dfbin['year'] >= 2018].drop(columns=['quantity']) y_train = dfbin[dfbin['year'] < 2018]['quantity'] y_test = dfbin[dfbin['year'] >= 2018]['quantity']

modele1 = DecisionTreeRegressor().fit(X_train,y_train) print("Score de l'arbre de decision :" , modele1.score(X_test,y_test)) modele2 = RandomForestRegressor().fit(X_train,y_train) print("Score de la fôret aleatoire :" , modele2.score(X_test,y_test)) modele3 = GradientBoostingRegressor().fit(X_train,y_train) print("Score du gradient boosting :" , modele3.score(X_test,y_test))

Score de l'arbre de decision : 0.8198687838901607
Score de la fôret aleatoire : 0.922902366892775
Score du gradient boosting : 0.8846342800225722

Conclusion

En conclusion, le deuxième modèle obtenu par forêt aléatoire est le plus efficace avec une précision de + ou moins 92% (ce qui confirme les résultats obtenus par validation croisée) et c'est donc celui qu'il faut choisir pour faire de la prédiction. Tous les résultats obtenus ont été réalisés sur des algorithmes dont les paramètres n'ont pas été modifiés et laissés en valeur par défaut, il aurait aussi été intéressant de tester ces différents algorithmes en faisant varier leurs paramètres.

.css-9i38tn{letter-spacing:inherit;-webkit-text-decoration:none;text-decoration:none;}Sales prediction of soda