食用菌销售时间序列预测：基于ARIMA模型

本程序使用Python中的Pandas、Matplotlib和Statsmodels库对食用菌销售数据进行时间序列分析和预测，并使用ARIMA模型进行预测。

步骤：

导入库：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA

读取数据：

sales_data = pd.read_excel('总表（1）.xlsx')

设置索引：

sales_data.set_index('销售日期', inplace=True)

提取食用菌销售数据：

category_sales = sales_data[sales_data['分类名称'] == '食用菌']

按月汇总数据：

monthly_data = category_sales.resample('M').sum()

绘制时间序列图：

# 绘制时间序列图
plt.plot(monthly_data.index, monthly_data['销量(千克)'])
plt.xlabel('Date')
plt.ylabel('Value')
plt.title('Time Series')
plt.xticks(rotation=45)
plt.show()

时间序列分解：

decomposition = seasonal_decompose(monthly_data['销量(千克)'], model='additive')
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid

绘制自相关函数 (ACF) 和偏自相关函数 (PACF) 图：

plot_acf(monthly_data['销量(千克)'])
plot_pacf(monthly_data['销量(千克)'])
plt.show()

建立ARIMA模型：

model = ARIMA(monthly_data['销量(千克)'], order=(p, d, q))
model_fit = model.fit()

预测未来7个月的销量：

forecast = model_fit.forecast(steps=7)[0]

说明：

'总表（1）.xlsx' 是您的销售数据文件，请根据实际情况修改。
(p, d, q) 是ARIMA模型的阶数，需要根据ACF和PACF图确定。

代码示例：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA

sales_data = pd.read_excel('总表（1）.xlsx')
sales_data.set_index('销售日期', inplace=True)

category_sales = sales_data[sales_data['分类名称'] == '食用菌']

monthly_data = category_sales.resample('M').sum()

# 绘制时间序列图
plt.plot(monthly_data.index, monthly_data['销量(千克)'])
plt.xlabel('Date')
plt.ylabel('Value')
plt.title('Time Series')
plt.xticks(rotation=45)
plt.show()

decomposition = seasonal_decompose(monthly_data['销量(千克)'], model='additive')
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid

plot_acf(monthly_data['销量(千克)'])
plot_pacf(monthly_data['销量(千克)'])
plt.show()

# 假设ARIMA模型的阶数为 (5, 1, 0)
model = ARIMA(monthly_data['销量(千克)'], order=(5, 1, 0))
model_fit = model.fit()
forecast = model_fit.forecast(steps=7)[0]

print(f'未来7个月的预测销量：{forecast}')

注意：

本程序仅供参考，实际应用中需要根据您的具体情况进行调整。
ARIMA模型的阶数需要根据ACF和PACF图确定，并进行模型评估和选择最佳模型。
数据质量会影响模型预测效果，请确保数据准确可靠。