題目：

在生鮮商超中，一般蔬菜類商品的保鮮期都比較短，且品相隨銷售時間的增加而變差，
大部分品種如當日未售出，隔日就無法再售。因此，商超通常會根據(jù)各商品的歷史銷售和需
求情況每天進行補貨。
由于商超銷售的蔬菜品種眾多、產(chǎn)地不盡相同，而蔬菜的進貨交易時間通常在凌晨 3:00-
4:00，為此商家須在不確切知道具體單品和進貨價格的情況下，做出當日各蔬菜品類的補貨
決策。蔬菜的定價一般采用“成本加成定價”方法，商超對運損和品相變差的商品通常進行
打折銷售?？煽康氖袌鲂枨蠓治?#xff0c;對補貨決策和定價決策尤為重要。從需求側來看，蔬菜類
商品的銷售量與時間往往存在一定的關聯(lián)關系；從供給側來看，蔬菜的供應品種在 4 月至 10
月較為豐富，商超銷售空間的限制使得合理的銷售組合變得極為重要。
附件 1 給出了某商超經(jīng)銷的 6 個蔬菜品類的商品信息；附件 2 和附件 3 分別給出了該
商超 2020 年 7 月 1 日至 2023 年 6 月 30 日各商品的銷售流水明細與批發(fā)價格的相關數(shù)據(jù)；
附件 4 給出了各商品近期的損耗率數(shù)據(jù)。請根據(jù)附件和實際情況建立數(shù)學模型解決以下問
題：
問題 1 蔬菜類商品不同品類或不同單品之間可能存在一定的關聯(lián)關系，請分析蔬菜各
品類及單品銷售量的分布規(guī)律及相互關系。
問題 2 考慮商超以品類為單位做補貨計劃，請分析各蔬菜品類的銷售總量與成本加成
定價的關系，并給出各蔬菜品類未來一周(2023 年 7 月 1-7 日)的日補貨總量和定價策略，
使得商超收益最大。
問題 3 因蔬菜類商品的銷售空間有限，商超希望進一步制定單品的補貨計劃，要求可
售單品總數(shù)控制在 27-33 個，且各單品訂購量滿足最小陳列量 2.5 千克的要求。根據(jù) 2023
年 6 月 24-30 日的可售品種，給出 7 月 1 日的單品補貨量和定價策略，在盡量滿足市場對各
品類蔬菜商品需求的前提下，使得商超收益最大。
問題 4 為了更好地制定蔬菜商品的補貨和定價決策，商超還需要采集哪些相關數(shù)據(jù)，
這些數(shù)據(jù)對解決上述問題有何幫助，請給出你們的意見和理由。
附件 1 6 個蔬菜品類的商品信息
附件 2 銷售流水明細數(shù)據(jù)
附件 3 蔬菜類商品的批發(fā)價格
附件 4 蔬菜類商品的近期損耗率
注 (1) 附件 1 中，部分單品名稱包含的數(shù)字編號表示不同的供應來源。
(2) 附件 4 中的損耗率反映了近期商品的損耗情況，通過近期盤點周期的數(shù)據(jù)計算得到。

?問題一是分析各單品和品類互相之間的相關性。

思路：

1. 首先分析各品類、各單品的銷售量，這里需要將附件1和附件2的數(shù)據(jù)做一個join進行統(tǒng)計分析，

解決方案是使用pandas merge方法將附件1和附件2以key='單品編碼'進行merge，這樣就可以得到商品編碼、編碼名稱、品類編碼、品類名稱的一份數(shù)據(jù)；

然后使用pandas里面的group by sum對銷量進行統(tǒng)計

讀取xlsx文件并合并附件1和附件2

import pandas as pd
data2 = pd.read_excel(io='./附件2.xlsx')
data1 = pd.read_excel(io='./附件1.xlsx')data_class = pd.merge(data2,data1,how = 'left',on = ['單品編碼'])

?分別對單品和品類做統(tǒng)計分析

data_class_res =  data_class[(data_class['銷售類型']=='銷售')].groupby(['分類編碼','分類名稱'])['銷量(千克)'].sum().reset_index()
data_one = data_class[(data_class['銷售類型']=='銷售')].groupby(['單品編碼','單品名稱'])['銷量(千克)'].sum().reset_index()print('end')
display(data_class_res)

畫圖

#導入matplotlib的pyplot模塊
import matplotlib.pyplot as pltimport matplotlib.pyplot as pltplt.rcParams["font.sans-serif"]=['SimHei']
plt.rcParams["axes.unicode_minus"]=False
plt.bar(x = data_class_res['分類名稱'],height=data_class_res['銷量(千克)'])plt.title("分類銷量分析")
plt.xlabel("分類名稱")
plt.ylabel("銷量")plt.show()

分單品畫圖，數(shù)據(jù)有點多，畫出來的圖不太友好，可以取銷量前20的單品畫圖

#導入matplotlib的pyplot模塊
import matplotlib.pyplot as pltimport matplotlib.pyplot as pltplt.rcParams["font.sans-serif"]=['SimHei']
plt.rcParams["axes.unicode_minus"]=False
plt.bar(x = data_one['單品名稱'],height=data_one['銷量(千克)'])plt.title("分類銷量分析")
plt.xlabel("單品名稱")
plt.ylabel("銷量")plt.show()

最后可以根據(jù)自己的想法來分析相關性：

太晚了，明天繼續(xù)寫

相關性分析--用python&pandas實現(xiàn) - 知乎 (zhihu.com)