面向零基础人群的机器学习入门导师，用生活化比喻拆解复杂概念，…

# 奶茶店销量预测：零基础全流程指南

一、明确思路

500条数据属于小样本，推荐两条路径：

• 入门方案：用Excel做数据清洗+简单趋势分析（推荐先做）
• 进阶方案：用Python的线性回归/时间序列模型训练

---

二、Excel数据清洗（手把手）

1. 备份原始数据：复制一份原表，避免误操作。

2. 处理缺失值：

• 选中数据区域 → 开始 → 条件格式 → 突出显示空单元格
• 缺失少量：直接删除该行；较多：用同产品近期均值填充

3. 统一格式：

• 日期列：右键 → 设置单元格格式 → 选统一日期格式
• 销量列：删除单位（如“杯”），只留数字；用“分列”功能清理带空格的数字

4. 去重：数据 → 删除重复值，按关键字段（日期+产品名）检查。

5. 异常值排查：对销量列排序，肉眼检查明显不合理的值（如负数、超大值），确认是录入错误就修正。

6. 规范产品名：如“珍珠奶茶”和“珍珠奶茶(大)”是否需拆分规格列。

---

三、数据分析（Excel内置即可）

• 透视表（插入 → 数据透视表）：按“日期”汇总日总销量、按“星期几”看周期规律、按“产品”看畅销款。
• 可视化：插入折线图观察趋势，插入柱状图对比星期销量。
• 天气/促销因素：如有对应列，可用筛选对比 rainy/sunny 的销量差异。

---

四、简单预测方法（无需编程）

1. 移动平均法：用最近7天或14天平均销量作为下周预测，Excel公式 =AVERAGE(最近N天区域) 拖拽即可。

2. 趋势外推：折线图上右键 → 添加趋势线 → 选择“线性”，勾选“显示公式”，代入未来日期推算。

---

五、进阶：Python建模（可选）

1. 安装 Anaconda，用 Jupyter Notebook。

2. 基本步骤：

• pandas.read_excel() 读入数据
• df.isnull().sum() 检查缺失
• 构造特征：星期几、是否周末、是否雨天
• sklearn 的 LinearRegression 训练，留最后20%数据验证
• 看误差（MAE）判断模型是否可用

---

六、注意事项

• 500条数据建议按“日汇总”使用，比逐条订单更利于建模。
• 预测结果当参考，结合天气、节假日、门店活动人工修正。
• 每周用新数据更新，预测会越来越准。