作者：Andrew Udell

根据Kaggle上的Wish的数据集合，这篇文章使用Python演绎了随机森林回归预测商品销量的相关方法，给读者提供了分析和解决此类问题的方法。

数据集合

为了演示随机森林回归这种方法，我们会用到美国目前非常流行的Wish(“美版拼多多”)的电商销售的相关数据集合。这些有关的数据集合都来自Kaggle平台，其中的销售信息只包含夏季服装。而这些信息属性包含了相关产品的说明，用户评价，有无广告宣传，是否在列表中添加了“热销”的标语以及已售出的商品数量等。我们采用了随机森林回归这种方法来预测相关商品的销量。一个精准的、优秀的预测不仅对于管理商品库存的工作人员有着非常大的价值，而且对于商品的销售人员来了解、认识产品在电商平台的表现也起着非常重要的作用。因为工作人员需要提前了解到他们所需要订购或者生产的商品数量和种类。

导入数据和清除

我们全部数据的导入和相关操作都需要使用python以及pandas和numpy库来运用完成。

import pandas as pdimport numpy as np# import the data saved as a csvdf = pd.read_csv("Summer_Sales_08.2020.csv")

我们在前两行分别导入pandas和numpy库。然后我们再把先前保存且重命名为“ Summer_Sales_08.2020”的CSV文件，读入到最后一行，然后再创建一个数据框。

df["has_urgency_banner"] = df["has_urgency_banner"].fillna(0)df["discount"] = (df["retail_price"] - df["price"])/df["retail_price"]

我们将这一列“has_urgency_banner”用来表示商品列表中是否使用了“热销”标签，但是我们发现这里并没有采用我们常用的1和0编码，而是选择了在没有使用标签时进行了留空。我们在观察数据时觉得这一列编码的方式不太恰当。所以我们在代码第一行用0来填充这些空白的地方。我们还需要使用新的一列来计算实际的销售价和建议零售价之间的折扣，我们在之后的代码第二行创建一个名为“折扣”的新一列。

df [“ rating_five_percent”] = df [“ rating_five_count”] / df [“ rating_count”] df [“ rating_four_percent”] = df [“ rating_four_count”] / df [“ rating_count”] df [“ rating_three_percent”] = df [“ rating_three_count“] / df [” rating_count“] df [” rating_two_percent“] = df [” rating_two_count“] / df [” rating_count“] df [” rating_one_percent“] = df [” rating_one_count“] / df [” rating_count“]

其中的原始数据集合包含了好几个专门用于评价商品的列。这些列不仅有平均评分，它还包含了评价总数以及一星到五星不同评价的数量。我们最好先分别计算出不同星级评价数占总评价数的百分比，这样的话，因为我们已经考虑到了评价的总数，我们就可以直接在商品之间进行比较。我们要为数据集中的每种产品给出不同五，四，三，二和一星级评价的百分比。那么我们就在上面用几行代码简洁地创建了五个新的列数，用来表示他们。

ratings = [    "rating_five_percent",    "rating_four_percent",    "rating_three_percent",    "rating_two_percent",    "rating_one_percent"]for rating in ratings:    df[rating] = df[rating].apply(lambda x: x if x>= 0 and x<= 1 else 0)

在本个例案中，在上一步进行计算时，评价数为0的商品便出现问题。我们便发现了在Rating_count == 0的这种情况下，分析数据时会出现问题。为了解决这个问题，我们选择用上面一段代码来遍历了所有新创建的列数，并检验输入的值是否介于0和1之间(包括0和1)。如果不是，则将它们替换为0。然后这个替换便成功解决了问题。

探索数据

import seaborn as sns# Distribution plot on pricesns.distplot(df['price'])

价格分布图，由文章作者进行制作。上面的代码生成了数据集中的全部商品的价格分布图。我们发现其中最明显和最有趣的是，上面没有任何商品的价格为10欧元。这有可能是因为商家为了让他们的产品进入“10欧元及以下”的清单之中，而故意这样做。

sns.jointplot(x =“ rating”，y =“ units_sold”，data = df，kind =“ scatter”)

评分与销量之间关系的散点图。由文章作者进行制作。我们从上图可以观察到，图中显示大多数产品的销量都少于20,000，而少数产品的销量分别达到了60,000和100,000。而上面的销售额数据大部分都是来自由三星到四星半的商品。而上面的散点图呈直线排列的趋势更是证明了销量有可能是估计值而不是实际数值。

sns.jointplot(x =“ rating_count”，y =“ units_sold”，data = df，kind =“ reg”)

评价数量和销量之间关系的散点图。由文章作者进行制作。上面的图展现了评价的另一方面。我们从中发现评价数量与产品销量之间存在着松散的正相关关系。而这可能是因为消费者在考虑购买商品时会同时参考总体的评分数据和评价数量，也有可能因为其是热销商品而产生更多的商品评价。但是由于没有相关购买时间和评价时间的数据，在没有相关领域知识和数据的情况下，我们很难辨别其原因。

随机森林回归是什么？

总而言之，随机森林回归是一系列决策树的平均结果。而决策树像是我们常用的流程图一样，它提出一些问题并基于这些问题的答案来做出相应的预测。例如，图中预测一个打网球的人是否会去球场的决策树可能会问：下雨了吗？如果是的，球场在室内吗？如果不是，打球的人可以找到其他打网球的人吗？一个简单的决策树。由文章作者进行制作。决策树将会在做出预测之前就回答所有这些相关问题。根据一些领域的专家所说，决策树可能会比其他机器学习更好地模拟出人类的实际行为，虽然它们虽然具有比较容易理解的特点，但它们通常会让数据过于拟合，而这也代表它们通常会在相似的数据集合上得出截然不同的结果。为了解决这个问题，我们选择从同一数据集合中提取多个决策树，然后将其装袋，然后再返回结果的平均值。而这个也被称为随机森林回归。一个简单的随机森林。由文章作者进行制作。我们在上述Wish数据集中，我们在评价中看到了非线性关系。虽然不是强相关，不容易察觉到，但还是比较清楚的看到评分在三颗星以下，四颗半以上的分界线。因为决策树的主要优点是可以对高度非线性的数据进行非常准确的预测。那么我们就可以运用随机森林回归来识别此模式并将其纳入结果当中。然而，在更传统的线性回归中，这只会混淆其预测。除此之外，随机森林回归的分类器效率很高效，此分类器可以处理很多输入变量，还能对这些变量可以进行准确的预测。这是一个功能非常强大的工具，并且不需要太多的代码就可以实现。

随机森林回归的实现

from sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressor# Divide the data between units sold and influencing factorsX = df.filter([    "price",    "discount",    "uses_ad_boosts",    "rating",    "rating_count",    "rating_five_percent",    "rating_four_percent",    "rating_three_percent",    "rating_two_percent",    "rating_one_percent",    "has_urgency_banner",    "merchant_rating",    "merchant_rating_count",    "merchant_has_profile_picture"])Y = df["units_sold"]# Split the data into training and testing setsX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.33, random_state = 42)

我们在运行模型之前，要将相关的库引入到前两行。接下来在下面几行创建变量X和Y，然后将数据集合分为训练集和测试集。再将测试集大小赋值为0.33，这可以保证三分之一的数据用于测试数据的准确性，其余的三分之二的数据集将用于训练数据。

# Set up and run the modelRFRegressor = RandomForestRegressor(n_estimators = 20)RFRegressor.fit(X_train, Y_train)

然后，初始化模型并开始运行。在这里我们需要注意的是，其中的n_estimators参数表示要使用的决策树的数量。

# Set up and run the modelRFRegressor = RandomForestRegressor(n_estimators = 20)RFRegressor.fit(X_train, Y_train)

在最后，我们再将新拟合的随机森林回归模型应用在相关的测试数据上，利用其差值生成误差数组。到这里我们就成功啦！

结语

Wish的数据集合就像一块数字的试验田，我们可以用来解决真实世界的实际问题。而随机森林回归是分析此类数据的宝贵工具，它只需进行少量的数据操作，就能拥有非常好的一个效果。

原文链接：

https://towardsdatascience.com/predicting-e-commerce-sales-with-a-random-forest-regression-3f3c8783e49b