这次我们来分析一个连续型变量问题。
假设我们拿到了公司的各渠道广告投入和销售数据，现在需要我们快速分析出分配下一季度的广告预算以及可能带来的业务量。
import pandas as pd
import numpy as np
data = pd.read_csv("https://raw.githubusercontent.com/amankharwal/Website-data/master/advertising.csv")
data.head()TV Radio Newspaper Sales 0 230.1 37.8 69.2 22.1 1 44.5 39.3 45.1 10.4 2 17.2 45.9 69.3 12.0 3 151.5 41.3 58.5 16.5 4 180.8 10.8 58.4 17.9
导入成功！
数据集展示的是过去5个月电视，电台，报纸三条广告投放渠道的支出和当月的销售额。
correlation=data.corr()
print(correlation["Sales"].sort_values(ascending=False))Sales 1.000000 TV 0.901208 Radio 0.349631 Newspaper 0.157960 Name: Sales, dtype: float64
显然，三种渠道的回报率从高到低排列，表现最好的是电视广告。 这种相关性我们也可以通过散点图的分布离散度来判断。
import plotly.express as px
import plotly.graph_objects as go
figure = px.scatter(data_frame = data, x="Sales",
y="TV", size="TV", trendline="ols")
figure.show()依次更换y和size的变量名称，得到三张图：
从图中我们可以发现，虽然不同渠道的广告投放回报有差别，但是都与销售额呈现正向关系。
考虑到我们要预测的销售额也是一个连续变量，所以我们尝试用线性回归的方式来构建模型。
- 数据集的划分
x=np.array(data[["TV","radio","newspaper"]])
y=np.array(data["Sales"])
xtrain,xtest,ytrain,ytest=train_test_split(x,y,
test_size=0.2,
random_state=42)#用20%的数据做测试集，random_state=42是业内惯例，因为据说数字42是一切问题的根本答案。。。- 模型训练
model=LinearRegression()
model.fit(xtrain,ytrain)
print(model.score(xtest,ytest)- 返回拟合度
0.9059011844150826
说明模型的预测准确度还可以，接下来我们用新数据来应用,即用一组季度广告投放预算来预测可能带来的销售额。
- 查看数据集的数字特征
data.describe()TV Radio Newspaper Sales count 200.000000 200.000000 200.000000 200.000000 mean 147.042500 23.264000 30.554000 15.130500 std 85.854236 14.846809 21.778621 5.283892
从上表可以看出季度电视，电台和报纸广告投放费用的总和，平均值以及标准值。 我们取三者平均加和作为今年广告投放预算，再根据三者与销量的相关性强度将广告预算重新分配一下。
绘制变量关系表：
| TV | Radio | Newspaper | |
|---|---|---|---|
| mean | 147.04 | 23.26 | 30.55 |
| corr | 0.9012 | 0.3496 | 0.1580 |
| weight | 0.637 | 0.248 | 0.112 |
| budget | 127.94 | 49.81 | 22.50 |
- 应用预测模型
我们将求得的预算分配带入模型中：
features=np.array([[127.94,49.81,22.50]])
print(model.predict(features))得到销售额：
[16.81370557]
- 电视，电台，报纸三种广告投放渠道中，电视广告的回报收益最大，达到了90.12%。
- 如果下季度广告预算为200，那么预计销售额可达到16.81。（单位不同）