質問編集履歴
3
解決絵追加
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -106,13 +106,15 @@
|
|
|
106
106
|
|
|
107
107
|
|
|
108
108
|
|
|
109
|
-
###
|
|
109
|
+
### 最終的に出したグラフ
|
|
110
110
|
|
|
111
|
+
回帰分析の絵
|
|
111
112
|
|
|
113
|
+
|
|
112
114
|
|
|
113
|
-
|
|
115
|
+
想定利益の絵
|
|
114
116
|
|
|
115
|
-
|
|
117
|
+
|
|
116
118
|
|
|
117
119
|
### 補足情報（FW/ツールのバージョンなど）
|
|
118
120
|
|
|
@@ -130,29 +132,11 @@
|
|
|
130
132
|
|
|
131
133
|
として、価格(price)をｘ軸にした２次関数にしようとしています。
|
|
132
134
|
|
|
133
|
-
取り込んだCSVファイルのカラムは
|
|
134
|
-
|
|
135
|
-
yyyymmdd,jan_code,item_name,price,sales
|
|
136
|
-
|
|
137
|
-
となっており、price=販売価格、sales=売り上げ個数としています。
|
|
138
|
-
|
|
139
|
-
（データの中身は適当につくりました）
|
|
140
|
-
|
|
141
|
-
priceとsalesの回帰分析の結果、
|
|
142
|
-
|
|
143
|
-
p0: 5.5705322830717225
|
|
144
|
-
|
|
145
|
-
p1: -0.014132467834973865
|
|
146
|
-
|
|
147
|
-
となっております。
|
|
148
|
-
|
|
149
|
-
そこで、想定利益を求める式は価格をxとした際
|
|
150
|
-
|
|
151
135
|
(x-cost)*(p[0]+p[1]*x)
|
|
152
136
|
|
|
153
137
|
=p[1]*x^2 +(p[0]-p[1]*cost)*x - cost*p[0]
|
|
154
138
|
|
|
155
|
-
|
|
139
|
+
これから頂点を求めると、最大利益が出る
|
|
156
140
|
|
|
157
141
|
|
|
158
142
|
|
2
現時点の状況へ更新
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -16,9 +16,9 @@
|
|
|
16
16
|
|
|
17
17
|
```
|
|
18
18
|
|
|
19
|
-
|
|
19
|
+
return p[1] * x ** 2 + (p[0] - p[1] * 99) * x - p[0] * 99
|
|
20
20
|
|
|
21
|
-
|
|
21
|
+
TypeError: 'int' object is not subscriptable
|
|
22
22
|
|
|
23
23
|
```
|
|
24
24
|
|
|
@@ -30,75 +30,75 @@
|
|
|
30
30
|
|
|
31
31
|
```python
|
|
32
32
|
|
|
33
|
+
# 必要なモジュールのインポート
|
|
34
|
+
|
|
33
35
|
import pandas as pd
|
|
34
36
|
|
|
35
|
-
import numpy
|
|
37
|
+
import numpy as np
|
|
36
38
|
|
|
37
39
|
import matplotlib.pyplot as plt
|
|
38
40
|
|
|
41
|
+
|
|
42
|
+
|
|
43
|
+
# ファイルの読み込み
|
|
44
|
+
|
|
39
|
-
f
|
|
45
|
+
df = pd.read_csv('lm_analysis.csv')
|
|
40
46
|
|
|
41
47
|
|
|
42
48
|
|
|
49
|
+
# 売り上げ個数の予想する回帰分析を行う
|
|
50
|
+
|
|
43
|
-
|
|
51
|
+
y = np.array(df['sales'].tolist())
|
|
52
|
+
|
|
53
|
+
x = np.array(df['price'].tolist())
|
|
54
|
+
|
|
55
|
+
z = np.polyfit(x, y, 1)
|
|
44
56
|
|
|
45
57
|
|
|
46
58
|
|
|
47
|
-
|
|
59
|
+
p = np.poly1d(z)
|
|
48
60
|
|
|
49
|
-
|
|
61
|
+
p30 = np.poly1d(np.polyfit(x, y, 30))
|
|
62
|
+
|
|
63
|
+
xp = np.linspace(0, 500, 100)
|
|
50
64
|
|
|
51
65
|
|
|
52
66
|
|
|
67
|
+
plt.plot(x, y, '.', xp, p(xp), '-', xp, p30(xp), '*')
|
|
68
|
+
|
|
69
|
+
plt.ylim(0, 10)
|
|
70
|
+
|
|
71
|
+
plt.show()
|
|
72
|
+
|
|
73
|
+
# 切片と傾きの表示
|
|
74
|
+
|
|
75
|
+
# p[0]:傾き
|
|
76
|
+
|
|
77
|
+
# p[1]:切片
|
|
78
|
+
|
|
53
|
-
|
|
79
|
+
print("p0:", p[0])
|
|
80
|
+
|
|
81
|
+
print("p1:", p[1])
|
|
54
82
|
|
|
55
83
|
|
|
56
84
|
|
|
85
|
+
# 一旦原価は99で固定
|
|
86
|
+
|
|
57
|
-
|
|
87
|
+
def f(x, p):
|
|
88
|
+
|
|
89
|
+
return p[1] * x ** 2 + (p[0] - p[1] * 99) * x - p[0] *99
|
|
58
90
|
|
|
59
91
|
|
|
60
92
|
|
|
61
|
-
p
|
|
93
|
+
dx0 = -p[0] + p[1] * 99 / (2 * p[1])
|
|
62
94
|
|
|
63
|
-
|
|
95
|
+
dy0 = f(dx0,0)
|
|
64
96
|
|
|
65
|
-
print(
|
|
97
|
+
print(dx0, dy0)
|
|
66
98
|
|
|
99
|
+
plt.plot(p[1] * x ** 2 + (p[0] - p[1] * 99) * x - p[0] * 99)
|
|
67
100
|
|
|
68
|
-
|
|
69
|
-
b1 = slr.coef_
|
|
70
|
-
|
|
71
|
-
b0 = slr.intercept_
|
|
72
|
-
|
|
73
|
-
|
|
74
|
-
|
|
75
|
-
import sympy as sym
|
|
76
|
-
|
|
77
|
-
|
|
78
|
-
|
|
79
|
-
b_price = numpy.array(df.price)
|
|
80
|
-
|
|
81
|
-
c_price = b_price.tolist()
|
|
82
|
-
|
|
83
|
-
x = numpy.array(c_price)
|
|
84
|
-
|
|
85
|
-
|
|
101
|
+
plt.show()
|
|
86
|
-
|
|
87
|
-
|
|
88
|
-
|
|
89
|
-
from scipy.optimize import root
|
|
90
|
-
|
|
91
|
-
from scipy.misc import derivative
|
|
92
|
-
|
|
93
|
-
|
|
94
|
-
|
|
95
|
-
y = lambda x: (x - u_cost)*(b0+b1*x)
|
|
96
|
-
|
|
97
|
-
dy = lambda x: derivative(y,x)
|
|
98
|
-
|
|
99
|
-
root(dy,x0=0)
|
|
100
|
-
|
|
101
|
-
|
|
102
102
|
|
|
103
103
|
|
|
104
104
|
|
1
細くの追加
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -118,6 +118,48 @@
|
|
|
118
118
|
|
|
119
119
|
|
|
120
120
|
|
|
121
|
+
---補足情報---
|
|
122
|
+
|
|
123
|
+
ｘ軸：価格（price）
|
|
124
|
+
|
|
125
|
+
ｙ軸：想定利益
|
|
126
|
+
|
|
127
|
+
※想定利益→（価格ーcost）×個数
|
|
128
|
+
|
|
129
|
+
個数を回帰分析で予想し、個数=p[0] + p[1]×価格
|
|
130
|
+
|
|
131
|
+
として、価格(price)をｘ軸にした２次関数にしようとしています。
|
|
132
|
+
|
|
133
|
+
取り込んだCSVファイルのカラムは
|
|
134
|
+
|
|
135
|
+
yyyymmdd,jan_code,item_name,price,sales
|
|
136
|
+
|
|
137
|
+
となっており、price=販売価格、sales=売り上げ個数としています。
|
|
138
|
+
|
|
139
|
+
（データの中身は適当につくりました）
|
|
140
|
+
|
|
141
|
+
priceとsalesの回帰分析の結果、
|
|
142
|
+
|
|
143
|
+
p0: 5.5705322830717225
|
|
144
|
+
|
|
145
|
+
p1: -0.014132467834973865
|
|
146
|
+
|
|
147
|
+
となっております。
|
|
148
|
+
|
|
149
|
+
そこで、想定利益を求める式は価格をxとした際
|
|
150
|
+
|
|
151
|
+
(x-cost)*(p[0]+p[1]*x)
|
|
152
|
+
|
|
153
|
+
=p[1]*x^2 +(p[0]-p[1]*cost)*x - cost*p[0]
|
|
154
|
+
|
|
155
|
+
の式となり、これから頂点を求めると、最大利益が出る
|
|
156
|
+
|
|
157
|
+
|
|
158
|
+
|
|
159
|
+
という想定です。
|
|
160
|
+
|
|
161
|
+
|
|
162
|
+
|
|
121
163
|
python3.6
|
|
122
164
|
|
|
123
165
|
Pycharm: 2017.3.3
|