# 电商销售数据分析项目
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置样式
sns.set(style="whitegrid")

# 1. 生成模拟数据
np.random.seed(42)
dates = pd.date_range('2023-01-01', '2023-12-31', freq='D')
products = ['Product A', 'Product B', 'Product C', 'Product D', 'Product E']
categories = ['Electronics', 'Clothing', 'Home', 'Beauty', 'Sports']

# 生成销售数据
data = []
for date in dates:
    for i, product in enumerate(products):
        sales = np.random.randint(10, 100)
        revenue = sales * np.random.uniform(10, 100)
        category = categories[i % len(categories)]
        data.append([date, product, category, sales, revenue])

# 创建 DataFrame
df = pd.DataFrame(data, columns=['date', 'product', 'category', 'sales', 'revenue'])
print("数据前 5 行:")
print(df.head())
print("\n数据形状:", df.shape)

# 2. 数据预处理
# 提取月份和季度
df['month'] = df['date'].dt.month
df['quarter'] = df['date'].dt.quarter

# 3. 数据分析
# 月度销售趋势
monthly_sales = df.groupby('month')[['sales', 'revenue']].sum().reset_index()
print("\n月度销售数据:")
print(monthly_sales)

# 产品销售情况
product_sales = df.groupby('product')[['sales', 'revenue']].sum().reset_index()
product_sales = product_sales.sort_values('revenue', ascending=False)
print("\n产品销售排名:")
print(product_sales)

# 类别销售情况
category_sales = df.groupby('category')[['sales', 'revenue']].sum().reset_index()
print("\n类别销售情况:")
print(category_sales)

# 4. 数据可视化
# 月度销售趋势
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
sns.lineplot(x='month', y='sales', data=monthly_sales, marker='o')
plt.title('月度销售数量趋势')
plt.xlabel('月份')
plt.ylabel('销售数量')

plt.subplot(1, 2, 2)
sns.lineplot(x='month', y='revenue', data=monthly_sales, marker='o', color='green')
plt.title('月度销售收入趋势')
plt.xlabel('月份')
plt.ylabel('销售收入')
plt.tight_layout()
# plt.show()

# 产品销售对比
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
sns.barplot(x='product', y='sales', data=product_sales)
plt.title('各产品销售数量')
plt.xlabel('产品')
plt.ylabel('销售数量')
plt.xticks(rotation=45)

plt.subplot(1, 2, 2)
sns.barplot(x='product', y='revenue', data=product_sales, color='green')
plt.title('各产品销售收入')
plt.xlabel('产品')
plt.ylabel('销售收入')
plt.xticks(rotation=45)
plt.tight_layout()
# plt.show()

# 类别销售占比
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.pie(category_sales['sales'], labels=category_sales['category'], autopct='%1.1f%%')
plt.title('各类别销售数量占比')

plt.subplot(1, 2, 2)
plt.pie(category_sales['revenue'], labels=category_sales['category'], autopct='%1.1f%%')
plt.title('各类别销售收入占比')
plt.tight_layout()
# plt.show()

# 5. 结论和建议
print("\n=== 分析结论 ===")
print(f"1. 最畅销的产品是: {product_sales.iloc[0]['product']}")
print(f"2. 贡献收入最多的产品是: {product_sales.iloc[0]['product']}")
print(f"3. 最畅销的类别是: {category_sales.sort_values('sales', ascending=False).iloc[0]['category']}")
print(f"4. 贡献收入最多的类别是: {category_sales.sort_values('revenue', ascending=False).iloc[0]['category']}")
print("5. 销售高峰期出现在第 {} 季度".format(monthly_sales.groupby('quarter')['sales'].sum().idxmax()))

print("\n=== 业务建议 ===")
print("1. 针对畅销产品和类别，可考虑增加库存和促销活动")
print("2. 对于销售表现不佳的产品，可考虑优化营销策略或调整价格")
print("3. 在销售高峰期前做好库存准备")
print("4. 进一步分析客户购买行为，优化产品推荐策略")

# 房价预测项目
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error, r2_score

# 设置样式
sns.set(style="whitegrid")

# 1. 生成模拟数据
np.random.seed(42)
n_samples = 1000

# 特征
area = np.random.randint(500, 3000, n_samples)  # 面积（平方英尺）
bedrooms = np.random.randint(1, 6, n_samples)  # 卧室数量
bathrooms = np.random.randint(1, 5, n_samples)  # 浴室数量
year_built = np.random.randint(1950, 2023, n_samples)  # 建造年份
garage = np.random.randint(0, 4, n_samples)  # 车库数量

# 目标变量：房价（基于特征生成，添加一些噪声）
price = (area * 100 + 
         bedrooms * 50000 + 
         bathrooms * 30000 + 
         (2023 - year_built) * 1000 + 
         garage * 20000 + 
         np.random.normal(0, 50000, n_samples))

# 创建 DataFrame
df = pd.DataFrame({
    'area': area,
    'bedrooms': bedrooms,
    'bathrooms': bathrooms,
    'year_built': year_built,
    'garage': garage,
    'price': price
})

print("数据前 5 行:")
print(df.head())
print("\n数据形状:", df.shape)

# 2. 数据探索
# 相关性分析
corr = df.corr()
plt.figure(figsize=(10, 8))
sns.heatmap(corr, annot=True, cmap="coolwarm")
plt.title('特征相关性热力图')
# plt.show()

# 特征与目标变量的关系
plt.figure(figsize=(15, 10))
features = ['area', 'bedrooms', 'bathrooms', 'year_built', 'garage']
for i, feature in enumerate(features, 1):
    plt.subplot(2, 3, i)
    sns.scatterplot(x=feature, y='price', data=df)
    plt.title(f'{feature} vs price')
plt.tight_layout()
# plt.show()

# 3. 数据预处理
# 划分特征和目标变量
X = df.drop('price', axis=1)
y = df['price']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print("\n训练集大小:", X_train.shape)
print("测试集大小:", X_test.shape)

# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 4. 模型训练和评估
models = {
    '线性回归': LinearRegression(),
    '岭回归': Ridge(),
    'LASSO回归': Lasso(),
    '随机森林': RandomForestRegressor(n_estimators=100, random_state=42)
}

results = {}
for name, model in models.items():
    # 训练模型
    model.fit(X_train_scaled, y_train)
    
    # 预测
    y_pred = model.predict(X_test_scaled)
    
    # 评估
    mse = mean_squared_error(y_test, y_pred)
    rmse = np.sqrt(mse)
    r2 = r2_score(y_test, y_pred)
    
    results[name] = {
        'MSE': mse,
        'RMSE': rmse,
        'R²': r2
    }
    
    print(f"\n{name} 模型评估:")
    print(f"MSE: {mse:.2f}")
    print(f"RMSE: {rmse:.2f}")
    print(f"R²: {r2:.2f}")

# 5. 模型比较
results_df = pd.DataFrame(results).T
print("\n模型性能比较:")
print(results_df)

# 可视化模型性能
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
sns.barplot(x=results_df.index, y='RMSE', data=results_df)
plt.title('各模型 RMSE 比较')
plt.ylabel('RMSE')

plt.subplot(1, 2, 2)
sns.barplot(x=results_df.index, y='R²', data=results_df)
plt.title('各模型 R² 比较')
plt.ylabel('R²')
plt.tight_layout()
# plt.show()

# 6. 特征重要性（仅适用于随机森林）
if '随机森林' in models:
    rf_model = models['随机森林']
    feature_importance = pd.DataFrame({
        'feature': X.columns,
        'importance': rf_model.feature_importances_
    }).sort_values('importance', ascending=False)
    
    print("\n特征重要性:")
    print(feature_importance)
    
    plt.figure(figsize=(10, 6))
    sns.barplot(x='importance', y='feature', data=feature_importance)
    plt.title('随机森林特征重要性')
    # plt.show()

# 7. 模型应用
# 使用最佳模型进行预测
best_model_name = results_df['R²'].idxmax()
best_model = models[best_model_name]
print(f"\n最佳模型: {best_model_name}")

# 预测新数据
new_data = np.array([[2000, 3, 2, 2010, 2]])  # 面积2000平方英尺，3卧室，2浴室，2010年建造，2车库
new_data_scaled = scaler.transform(new_data)
predicted_price = best_model.predict(new_data_scaled)
print(f"\n新房屋预测价格: ${predicted_price[0]:,.2f}")