简介这份基于Python的汽车销售数据分析与预测方案适合数据分析和时间序列预测入门及进阶者完整呈现从数据获取、清洗处理到可视化与建模预测的全流程。项目基于真实汽车销量数据涵盖波动性、同比增长、自相关与偏自相关分析以及季节性差分自回归移动平均模型预测并按厂商、车型维度拆解市场份额、表现趋势与时间关系便于系统掌握销售数据分析方法。资源包共23个文件以16张可视化结果图、3张数据表格、1个主程序脚本及说明文档为主另有数据库文件和配置信息合计3.98MB结构清晰便于对照学习。目前已有875人学习下载适合作为课程设计、毕业设计或企业销售分析项目的参考模板。附带的图片结果可直接用于报告展示。1. 汽车销售数据可视化预测看起来是报表本质是一条可复现的流水线拿到一份汽车销售数据绝大多数人第一反应是用 Excel 拉个透视表画两根折线完事。但业务方真正要的不只是「哪个月卖得好」而是「下个月能卖多少、哪几款车在拖后腿、备货和库存什么时候该动」。基于 Python 做汽车销售数据可视化预测就是把「看数」升级成「用数」先用清洗和特征工程把原始订单收拾成干净的事实表再用可视化把结论钉在业务眼前最后用时序模型把趋势外推出去。这个方案适合业务数据分析师、想转行数据岗的 Python 学习者以及手头正好有一批销售流水但不知道从哪下手的从业者。它不追求模型多前沿只追求每一步都能落地复现。2. 先清洗再画图把汽车销售数据收拾成一张可用的订单事实表2.1 数据读取与字段规整GBK 编码和中文列名是第一个坑汽车销售数据最常见的来源是业务系统导出的 Excel 或 CSV字段通常长这样门店名称、销售日期、车型名称、厂商、成交价、数量。第一次跑pd.read_csv就翻车的人不在少数报错信息里十有八九是UnicodeDecodeError因为国内业务系统导出 CSV 默认用 GBK 编码而 pandas 默认按 UTF-8 解析。import pandas as pd # 方案 A优先用 GBK 读取Windows 导出文件常见编码 df pd.read_csv( car_sales.csv, encodinggbk, parse_dates[销售日期], dayfirstFalse, ) # 方案 B如果 GBK 报错退回 UTF-8并做一次异常重试 try: df pd.read_csv(car_sales.csv, encodingutf-8-sig) except UnicodeDecodeError: df pd.read_csv(car_sales.csv, encodinggbk) # 统一改成英文字段名后面写代码不用反复切换输入法 df.columns [store, sales_date, model, brand, price, quantity] df[sales_date] pd.to_datetime(df[sales_date]) print(df.head()) print(df.dtypes)这段代码把两件最容易出问题的事一次做完编码探测和日期解析。parse_dates参数可以让 pandas 在读取时直接转换日期列但前提是 CSV 里日期格式规范如果原始数据混了「2024/1/5」和「2024-01-05」两种写法读取时反而建议先按字符串读进来再用pd.to_datetime(..., formatmixed)兜底。字段改名不是强迫症而是后续所有分组、透视、建模都要反复引用这些列名英文短名能显著降低代码噪音。打印dtypes是为了确认sales_date真的是 datetime 类型而不是 object这一步错了后面所有按月聚合都会变成字符串排序结果完全不对。2.2 价格分区与去重把「脏维度」变成可下钻的标签销售明细表里价格字段几乎一定乱有指导价、成交价、开票价同一款车在不同门店的成交价能差出两三万。做可视化时如果直接把原始价格拖进图表折线会抖成心电图。常见做法是钻取一个「价格区间」标签让分析维度从连续值变成离散档位业务方也更好理解。# 价格区间分箱便于后续按价格带观察销量结构 bins [0, 10, 15, 20, 30, 50, 100, 999] labels [10万以下, 10-15万, 15-20万, 20-30万, 30-50万, 50-100万, 100万以上] df[price_band] pd.cut(df[price], binsbins, labelslabels, rightFalse) # 去重同一门店同一天同一车型同一成交价视为重复记录 df df.drop_duplicates( subset[store, sales_date, model, price, quantity], keepfirst, ) print(df[price_band].value_counts())pd.cut的三个关键参数值得展开bins是区间边界rightFalse表示左闭右开这样 10 万整会落入「10-15万」而不是「10万以下」labels必须比bins少一个数量和顺序都不能错否则 pandas 会直接报错或者生成一堆NaN标签。去重时keepfirst表示保留第一条如果同一天同一车型有两笔成交很可能是因为业务员录单时点了两遍保存。2.3 聚合到月度颗粒度预测和分析的基准时间单位汽车销售数据按天看噪声太大周末和月初月末的波动会把趋势淹没按年看又太粗等看出趋势变化已经错过备货窗口。折中方案是把销售记录聚合到「天」但分析展示时重采样到「月」。对预测建模而言最终喂给模型的时间序列应当是等间隔的否则模型学不到稳定的周期规律。# 先把每日销量聚合出来再重采样到月度 daily_sales df.groupby(sales_date)[quantity].sum() # 重采样到自然月缺失月份自动补 0 monthly_sales daily_sales.resample(ME).sum() # 如果一个月的销量真的为 0说明数据缺失而不是卖不出去 # 更稳妥的做法是先看缺失分布再决定用 0 填充还是插值 print(monthly_sales.head(12)) print(缺失月份数, monthly_sales.isna().sum())resample(ME)是 pandas 2.2 之后的写法旧版本写成M如果你的环境还在用 pandas 1.x直接写M并留意 FutureWarning。这里有一个新手最容易忽略的点daily_sales的索引必须是 datetime 类型groupby之后如果索引变成了字符串或整型resample会直接抛错。聚合到月度之后一个月的销量数据就成了一个点12 个点是一年36 个点差不多是三年这个数据量只够做趋势外推不够做复杂深度学习模型所以别一上来就惦记 LSTM先把传统时序方法跑通再谈升级。3. 用可视化把销售结论拍在业务桌上从 matplotlib 到 pyecharts 大屏3.1 月度销量趋势图先看整体周期再看异常波动可视化不是把数据画出来就完事而是要让看的人十秒钟内回答三个问题整体是涨是跌、有没有明显的季节性、哪一段异常。月度销量折线图是回答这三个问题成本最低的图表一张图就能让业务方闭嘴。import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] plt.rcParams[axes.unicode_minus] False fig, ax plt.subplots(figsize(12, 6)) ax.plot(monthly_sales.index, monthly_sales.values, markero, linewidth2, color#C0392B) ax.set_title(2022-2025 月度汽车销量走势, fontsize16) ax.set_xlabel(月份) ax.set_ylabel(销量辆) ax.grid(True, linestyle--, alpha0.4) # 标注最大最小值位置 max_idx monthly_sales.values.argmax() min_idx monthly_sales.values.argmin() ax.annotate( f峰值 {monthly_sales.values[max_idx]:.0f}, xy(monthly_sales.index[max_idx], monthly_sales.values[max_idx]), xytext(10, 30), textcoordsoffset points, arrowpropsdict(arrowstyle-, colorgray), ) ax.annotate( f谷值 {monthly_sales.values[min_idx]:.0f}, xy(monthly_sales.index[min_idx], monthly_sales.values[min_idx]), xytext(10, -50), textcoordsoffset points, arrowpropsdict(arrowstyle-, colorgray), ) plt.tight_layout() plt.show()rcParams里设置字体是中文图表永远绕不开的一步SimHei在 Windows 一般自带Linux 服务器上大概率没有此时可以把字体名改成Noto Sans CJK SC或干脆用matplotlib的font_manager注册一个 .ttf 文件。annotate这段看着啰嗦但它能把峰值和谷值直接钉在图上业务方不用拿鼠标对着坐标轴猜数字。画完折线之后我一般会再画一张「同比」柱状图每条柱子代表某个月相比去年同月的增长率增长率为负的柱子用红色标出来这种图在月度经营会上比趋势折线更受人待见。3.2 品牌销量 Top10 横向柱状图把「谁拖后腿」变成一眼结论折线图看总量柱状图看结构。汽车销售数据里最常被追问的问题是「哪个品牌卖得最好、哪个在走下坡路」。横向柱状图最适合做排名对比因为品牌名称通常是中文且长度不一纵向柱状图的标签会互相挤占横向排布则宽松得多。brand_sales df.groupby(brand)[quantity].sum().sort_values(ascendingTrue).tail(10) fig, ax plt.subplots(figsize(10, 8)) bars ax.barh(brand_sales.index, brand_sales.values, color#2E86C1) ax.set_title(品牌销量 TOP102022-2025 累计, fontsize14) ax.set_xlabel(累计销量辆) # 在柱子末端标数值 for bar in bars: ax.text( bar.get_width() 0.3, bar.get_y() bar.get_height() / 2, f{bar.get_width():.0f}, vacenter, fontsize10, color#333333, ) plt.tight_layout() plt.show()sort_values(ascendingTrue).tail(10)这个顺序是刻意的barh画横向柱状图时索引的顺序决定了柱子从下到上的排列顺序先按销量升序排再取最后 10 个画出来就是从上到下从高到低的排名。bar.get_width() 0.3是给数值标签留一点空隙免得文字贴在柱子边缘显得拥挤。这一步跑通之后性价比更高的做法是套用seaborn的barplot直接指定调色板但对这个场景 matplotlib 原生就够减少一个依赖就少一份环境配置的麻烦。3.3 用 pyecharts 拼一个销售可视化大屏雏形Excel 图表看不了动态交互png 图没法在浏览器里缩放悬停。如果公司内部有数据大屏需求最常见的落地方式是pyecharts生成 HTML 页面业务方打开浏览器就能交互式查看不需要部署复杂的前端项目。pyecharts是 Python 生态里对中文支持最友好的可视化组件之一底层渲染走 ECharts图表样式和交互能力都比 matplotlib 高一个量级。from pyecharts.charts import Bar, Line from pyecharts import options as opts # 按月份和品牌构建透视表取前五个品牌做多系列折线 pivot df.pivot_table( indexsales_date, columnsbrand, valuesquantity, aggfuncsum ).fillna(0) top_brands df.groupby(brand)[quantity].sum().nlargest(5).index.tolist() line_chart ( Line(init_optsopts.InitOpts(width1200px, height500px)) .add_xaxis([str(d.date()) for d in pivot.index]) ) for brand in top_brands: line_chart.add_yaxis(brand, pivot[brand].tolist(), is_smoothTrue) line_chart.set_global_opts( title_optsopts.TitleOpts(title重点品牌月度销量走势), legend_optsopts.LegendOpts(pos_top8%), datazoom_opts[opts.DataZoomOpts(range_start20, range_end100)], ) line_chart.render(brand_sales_trend.html)pivot_table把长表转成宽表每个品牌变成一列这是做多系列图表的标准前置步骤。nlargest(5)取出累计销量前五的品牌避免一次画出二十几条线糊成一团。InitOpts的width和height直接决定大屏上这块图表的占位尺寸实际操作中我会把render(...html)的结果嵌入到一个总的 dashboard 页面里用 iframe 拼接多个图表这样就是一个不需要后端服务的可视化大屏。datazoom_opts里的range_start20表示初始显示从历史数据的 20% 位置开始如果你是做年度汇报这个值可以改成70让图表一打开就聚焦最近一年。4. 销量预测模型怎么选先做季节性分解再决定用 LSTM 还是传统时序4.1 用 statsmodels 看销量序列的季节性让模型选型从猜变成算很多文章一上来就推 LSTM但对汽车销量这种强周期、受节假日和促销节奏影响明显的月度数据直接上神经网络容易过拟合。正确的顺序是先做季节性分解把趋势、季节、残差三部分拆开看。如果残差占比很低说明季节性和趋势已经解释了大头这时用带季节分量的模型就比 LSTM 更稳。from statsmodels.tsa.seasonal import seasonal_decompose # 需要至少两年的月度数据才能拆出年度季节项 series monthly_sales.dropna() decompose_result seasonal_decompose(series, modeladditive, period12) fig decompose_result.plot() fig.set_size_inches(12, 8) plt.show() # 残差占比越低说明周期规律越强 remainder_ratio abs(decompose_result.resid).sum() / series.sum() print(f残差占比{remainder_ratio:.2%})period12是汽车月度销量的核心参数以自然年为一个循环周期每年的 1 月、6 月、11 月往往有固定的冲量活动。modeladditive表示季节项和趋势项是相加关系如果数据的波动幅度随销量水平增高而增大比如销量越大的月份波动也越大就该改用modelmultiplicative乘法分解。残差占比这个指标很有参考价值我见过占比在 5% 以内的序列这种数据用指数平滑都能做出不错的效果残差占比超过 30% 的序列说明销量受政策、竞品上市等外部冲击影响很大这时候任何模型都只能给出区间而不是精确点。4.2 最小可用 LSTM把月度销量序列改造成监督学习样本LSTM 适合销量预测不是因为「神经网络更高级」而是因为它能通过门控机制学到序列中的长程依赖比如 12 个月前的同期销量对当前月份的影响。但 LSTM 的前提是数据必须被改造成「滑窗样本」用过去 N 个月的销量预测下一个月。这一步做不对后面全部白搭。import numpy as np from sklearn.preprocessing import MinMaxScaler # LSTM 对尺度敏感先把销量压缩到 0-1 区间 scaler MinMaxScaler() scaled scaler.fit_transform(series.values.reshape(-1, 1)) def build_window_samples(data, window12): X, y [], [] for i in range(len(data) - window): X.append(data[i:iwindow, 0]) y.append(data[iwindow, 0]) return np.array(X), np.array(y) # 24 个月历史 12 个月滑窗 12 个可训练样本够跑但很吃紧 X, y build_window_samples(scaled, window12) # 按时间顺序切分绝不 shuffle split int(len(X) * 0.8) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] # 数据格式必须从 (样本数, 滑窗长度) 变成 (样本数, 滑窗长度, 特征数) X_train X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_test X_test.reshape((X_test.shape[0], X_test.shape[1], 1)) print(f训练样本 {X_train.shape[0]}测试样本 {X_test.shape[0]})这段代码里最容易被忽略的是最后两个reshape。LSTM 层的输入要求是三维张量(batch_size, time_steps, input_dim)很多人直接把二维的(样本, 窗口)丢进去报错信息写着expected ndim3, found ndim2才开始排查。滑窗长度window12不是拍脑袋定的它对应年度周期样本量只有 12 个时模型基本学不到东西所以数据量不够的朋友建议退回去用statsmodels的SARIMAX而不是硬上 LSTM。4.3 LSTM 训练、预测与逆归一化别把缩放后的数字直接当结果模型训练完之后最容易翻车的一步是预测值还在 0-1 区间直接拿来画图曲线看起来平平的跟真实销量差了一个数量级。必须用同一个scaler做inverse_transform把数字还原成真实销量。注意是同一个 scaler不是重新fit_transform否则尺度都对不上。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense model Sequential([ LSTM(units64, activationtanh, input_shape(12, 1)), Dense(units1), ]) model.compile(optimizeradam, lossmse) # 训练过程静默epochs 给 50 但配合早停防止过拟合 history model.fit( X_train, y_train, epochs50, batch_size4, validation_data(X_test, y_test), verbose1, ) # 预测后还原成真实销量量级 pred_scaled model.predict(X_test) pred_sales scaler.inverse_transform(pred_scaled).ravel() y_test_sales scaler.inverse_transform(y_test.reshape(-1, 1)).ravel() # 直观比较真实值 vs 预测值 for i in range(len(pred_sales)): print(f真实{y_test_sales[i]:.0f}预测{pred_sales[i]:.0f})units64和batch_size4是这套小样本配置下比较稳的组合。units 太小模型欠拟合太大样本量撑不住容易震荡batch_size 在样本量极少时用小值让梯度更新更频繁。epochs50是初值我一般会加一个EarlyStopping回调监控验证集 loss连续 10 轮不下降就停。tanh激活函数是 LSTM 默认表现最稳定的选择换成relu在时间序列上经常出现梯度爆炸。最后一行对比打印能快速判断模型是否学到了合理范围如果预测值全都在同一水平线附近多半是滑窗采样构造错了。4.4 关键参数速查表参数建议值调整方向window12对齐年度周期数据量少时降到 6但会丢失季节信息units32-128样本量少于 50 时用 32-64样本充足再上 128batch_size4-16小样本用小 batch大样本用 16-32epochs30-80配合早停别死等固定轮数optimizeradam时序小样本基本不用换lossmse若关注百分比误差可换 mae5. 汽车销售预测避坑数据泄漏与文本脏值的 5 个现场教训5.1 训练集和测试集混入未来数据验证集分数好到不真实现象模型在测试集上的 RMSE 只有训练集的一半看起来完美结果上了真实业务预测就一塌糊涂。原因很多人习惯抄分类任务的代码直接用train_test_split默认参数shuffleTrue会把时间序列打乱重排等于用未来月份的销量去预测过去的月份模型偷看了答案。解决时序数据必须按时间顺序切分代码里显式传shuffleFalse或者直接用TimeSeriesSplit做交叉验证每一折的训练集永远是测试集之前的所有数据。5.2 预测值画出来比真实值低一个量级曲线像被压扁过现象预测曲线和真实曲线的形状大致相近但数值整体矮一大截。原因LSTM 输出的是经过MinMaxScaler压缩的 0-1 值直接画图没有做inverse_transform。解决训练前保存好 scaler 对象预测后务必调用scaler.inverse_transform(pred_scaled)。这里还有一个更隐蔽的变体有人在inverse_transform时传进去的数组形状是(样本数, 1)还原出来没问题但有人传的是(样本数,)sklearn 会直接报错或者返回一个维度错乱的数组提前用.reshape(-1, 1)统一形状能少踩一个坑。5.3 月度聚合后时间轴出现断层折线图莫名其妙掉到 0现象折线图在某个月份突然跌到 0但原始数据里那个月明明有销量。原因分组聚合时用groupby(sales_date)但sales_date列里混杂了字符串和 datetime 类型或者索引没有set_index导致resample只处理了部分数据。解决读取数据时先df[sales_date] pd.to_datetime(df[sales_date], errorscoerce)errorscoerce会把解析不了的日期变成NaT接着用df df.dropna(subset[sales_date])把这些脏行丢掉然后再set_index(sales_date)后重采样。补一个检查print(df[sales_date].isna().sum())如果这个值大于 0说明源数据里有一批格式诡异的日期不要直接跳过。5.4 月初月末的冲量效应让模型系统性高估现象模型对月初的预测总是偏高月末又偏低误差呈现明显的月度内模式。原因汽车销售的交付节奏受到门店冲量政策影响大量订单集中在自然月最后一周突击录入这个规律不在月度特征里。解决如果预测粒度需要下沉到周或天就把「当月第几周」「距离月末还有几天」做成特征喂给模型如果预测粒度就是月那不必追求天级精度转而把评价指标改成「月度总量误差」冲量效应在总量层面自然平滑掉。这个问题的本质是目标变量和业务结算节奏错位模型没有错是评估粒度选错了。5.5 文本字段里的别名和空白字符导致品牌聚合分裂现象图表里「大众」和「大众 」同时存在销量被拆成两根柱子。原因业务系统里有人手动录入品牌列混入了首尾空格、全角空格甚至还有「一汽-大众」和「大众」两种叫法。解决在特征工程的源头做一次文本归一化# 去除首尾空白、统一转大写、替换全角空格 df[brand] ( df[brand] .astype(str) .str.strip() .str.replace(\u3000, , regexFalse) .str.upper() ) # 常见别名映射成唯一标准名 brand_alias {大众: 大众, 一汽-大众: 大众, 上海大众: 大众, VW: 大众} df[brand] df[brand].replace(brand_alias) # 聚合后再检查一次有没有分裂 print(df.groupby(brand)[quantity].sum().sort_values(ascendingFalse).head(20))文本脏值不清理干净后面画排名图时会出现同一品牌被拆成七八份的惨案而且这种错误在图表上一眼看不出来只有熟悉业务的人才会质疑统计数据。str.replace里的regexFalse是让 pandas 把替换对象当普通字符串处理如果你写的是\u3000并且不加regexFalsepandas 会按正则解析空格的语义就变了。6. 滚动验证用最近 18 个月的数据检验模型到底能不能信模型能不能上线不取决于训练集的 loss而取决于它在「离现在最近、业务上最关心」的那几个月里预测得准不准。我习惯的做法是滚动验证让模型只使用截止到 T 月的数据预测 T1 月然后逐步前移模拟真实场景中「每个月月底预测下个月销量」的流程。这比一次性划分测试集更接近业务实际也能暴露时间相关特征的稳定性。from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error # 用前 80% 数据训练逐月外推后 18 个月 monthly_values monthly_sales.values.astype(float) history_len int(len(monthly_values) * 0.8) history monthly_values[:history_len] true_values monthly_values[history_len:] preds [] for t in range(len(true_values)): # 每次只用当前已知的历史数据重训一次模型 scaler MinMaxScaler() scaled_history scaler.fit_transform(history.reshape(-1, 1)) X, y build_window_samples(scaled_history, window12) model Sequential([ LSTM(units64, activationtanh, input_shape(12, 1)), Dense(units1), ]) model.compile(optimizeradam, lossmse) model.fit(X, y, epochs30, batch_size4, verbose0) # 用最近 12 个月的窗口预测下一个月 last_window scaled_history[-12:].reshape(1, 12, 1) next_pred scaler.inverse_transform(model.predict(last_window))[0, 0] preds.append(next_pred) # 把真实值追加到历史进入下一个月的滚动 history np.append(history, true_values[t]) mape mean_absolute_percentage_error(true_values, preds) print(f滚动验证 MAPE{mape:.2%})这段代码每预测一个月就重训一次模型看起来笨拙但它精确复刻了业务节奏每个月月底你有截止到昨天的全部历史数据要预测下个月那就该用截止昨天为止的数据训练。verbose0是因为循环里会训练十几次每次打印进度条会把控制台刷爆。MAPE 在 10% 以内模型可以直接给业务周报用15% 到 25% 说明预测只能当趋势参考建议上报表时附带置信区间超过 30% 基本可以放弃预测回去检查数据质量。滚动验证还有一个隐形收益它能暴露模型随时间衰减的速度如果前 6 个月预测很准、后 6 个月误差越来越大说明外部环境发生了结构变化这时候不要把锅甩给模型而是应该去找业务方确认是不是有政策或价格战冲击。最后一条习惯是我这几年做销量预测最深的一点体会模型再花哨不做滚动验证就进不了日报和周报因为业务方只需要知道一件事——你上周说的那个数和上周真实发生的数差了多少。差得少他们明天还愿意看你的图差得多以后你画的折线再漂亮也没人信。希望帮到你。本文还有配套的精品资源点击获取