深度学习库存预测实战指南 - 第3节 🧮 NumPy 数值计算基石

🧮 NumPy 数值计算基石

核心能力： 高性能多维数组、广播机制、线性代数与随机数。库存预测中用于特征工程、滑动窗口、矩阵运算。

操作	函数/语法	说明
创建数组	`np.array([1,2,3])`	从列表生成
零/一矩阵	`np.zeros((3,4))`	填充0或1
索引切片	`arr[1:4, 0:2]`	子矩阵视图
广播运算	`arr + 10`	自动扩展维度
统计函数	`np.mean, np.std`	均值、标准差

# 库存滑动窗口特征示例
import numpy as np
sales = np.array([120, 135, 110, 145, 160, 155])
window = 3
# 生成滑动窗口均值
rolling_mean = np.convolve(sales, np.ones(window)/window, mode='valid')
print(rolling_mean)  # [121.67 130.  138.33 153.33]

🐼 Pandas 数据清洗与结构化

核心能力： DataFrame / Series、缺失值处理、分组聚合、时间序列。库存预测中用于加载CSV、清洗异常、特征衍生。

📋 常用数据结构

DataFrame
Series
Index
MultiIndex

🧹 清洗方法

dropna()
fillna()
astype()
drop_duplicates()

数据清洗任务	Pandas实现
检测缺失值	`df.isnull().sum()`
填充缺失（均值）	`df['col'].fillna(df['col'].mean())`
删除重复行	`df.drop_duplicates()`
类型转换	`df['date'] = pd.to_datetime(df['date'])`

# 库存数据清洗示例
import pandas as pd
df = pd.read_csv('inventory.csv')
# 处理缺失销量
df['sales'].fillna(df['sales'].median(), inplace=True)
# 去除异常值 (销量 < 0)
df = df[df['sales'] >= 0]
# 日期列转换
df['date'] = pd.to_datetime(df['date'])
print(df.info())

📈 Matplotlib + Seaborn 基础可视化

绘图哲学： Matplotlib 灵活底层控制；Seaborn 高级统计图表，美观省力。库存预测中用于趋势分析、分布检查、相关性热图。

📌 Matplotlib 基础

plt.plot()
plt.bar()
plt.hist()
plt.scatter()

📌 Seaborn 进阶

sns.lineplot()
sns.heatmap()
sns.boxplot()
sns.pairplot()

# 库存趋势可视化 (Matplotlib + Seaborn)
import matplotlib.pyplot as plt
import seaborn as sns
# 假设 df 包含 'date' 和 'sales'
plt.figure(figsize=(10,4))
sns.lineplot(data=df, x='date', y='sales', marker='o', color='#2d6a4f')
plt.title('📅 日库存销量趋势', fontsize=16, fontweight='bold')
plt.xlabel('日期'); plt.ylabel('销量')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

✨ Seaborn 热图示例 — 库存特征相关性矩阵

# 相关性热图
corr = df[['sales', 'price', 'stock_level', 'promotion']].corr()
sns.heatmap(corr, annot=True, cmap='YlGnBu', linewidths=1, 
            cbar_kws={'shrink':0.8})
plt.title('库存特征相关性', fontsize=14)
plt.show()

🧩 数据科学生态总览库存预测工具箱

库	核心对象	库存预测角色
NumPy	ndarray	数值特征、滑动窗口、矩阵运算
Pandas	DataFrame	数据加载、清洗、聚合、时间序列
Matplotlib	Figure, Axes	趋势图、对比图、自定义可视化
Seaborn	绘图函数	统计图、热图、分布分析

💡 掌握这四个库，即可高效完成库存预测中80%的数据处理与探索工作。

📊 数据科学生态速览