「Python 数据化运营」通过数据，来看清你的投入产出比，和你未来的销量！

- 日理万妓 2022-09-06 15:26 228阅读 0赞

### 文章目录 ###

*  内容介绍
 *  代码实现

# 内容介绍 #

每个企业在进行产品推广的时候都会使用一定的推广费用，例如广告流量费用，目标是带动产品的销售，增加推广费用的同时产品销量也有显著的提升。我们可以通过构建一个产品销量和推广费用的关系公式，未来给定一定推广费用的时候，可以预测会带来多大的产品销量。

这是一个通过一个线性回归的公式进行回归预测的简单业务。

代码中的x（自变量推广费用数据）、y（因变量销售额数据）的内容根据自己的实际情况进行替换即可复现对应的业务内容。

知识点：

1.  Python基本操作、for循环、变量赋值、数值转换
2.  Numpy数组操作：列表转数组、重新设置数组形状
3.  使用PyEcharts进行散点图展示
4.  使用Sklearn进行线性回归的训练和预测
5.  用print输出指定数据

# 代码实现 #

# 导入第三方应用包
    import random
    import numpy as np
    from sklearn import linear_model
    import pyecharts.options as opts
    from pyecharts.charts import Scatter
    
    # 随机生成推广费用和销售额 50组数值
    data = [ [ random.randint(1000,5000)*1.0 , random.randint(30000,100000)*1.0 ] for i in range(50)]
    # 将data数据分别根据推广费用和销售额进行排序
    data.sort(key=lambda x: x[0])
    x_data = [d[0] for d in data]
    data.sort(key=lambda x: x[1])
    y_data = [d[1] for d in data]
    
    # 散点图可视化
    c = (
        Scatter(init_opts=opts.InitOpts(width="800px", height="400px"))
        .add_xaxis(xaxis_data=x_data)
        .add_yaxis(
            series_name="推广与销售对比数据",
            y_axis=y_data,
            symbol_size=10,
            label_opts=opts.LabelOpts(is_show=False),
        )
        .set_series_opts()
        .set_global_opts(
            xaxis_opts=opts.AxisOpts(
                type_="value", 
                name='推广费用',
                splitline_opts=opts.SplitLineOpts(is_show=True)
                
            ),
            yaxis_opts=opts.AxisOpts(
                type_="value",
                name='销售额度',
                axistick_opts=opts.AxisTickOpts(is_show=True),
                splitline_opts=opts.SplitLineOpts(is_show=True),
            ),
            tooltip_opts=opts.TooltipOpts(is_show=False),
        )
    )
    c.render_notebook()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

# 重构数据结构
    x = np.array(x_data).reshape([50, 1])
    y = np.array(y_data).reshape([50, 1])
    
    # 数据回归建模
    model = linear_model.LinearRegression()
    model.fit(x, y)
    
    # 模型评估
    model_coef = model.coef_
    model_intercept = model.intercept_
    r2 = model.score(x, y)
    
    
    # 销售预测
    new_x = np.array(84610).reshape(1, -1)
    pre_y = model.predict(new_x)
    print(pre_y[0][0])

![在这里插入图片描述][b969b24c20634050bf59327c8826bfc1.png]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20220829/5673794b337b4ea0a9794106ff8049e7.png
[b969b24c20634050bf59327c8826bfc1.png]: /images/20220829/4897330bb0ed4df6a3e6831d9b73286e.png