【完整代码】2023数学建模国赛C题代码--蔬菜类商品的自动定价与补货决策

C 题 蔬菜类商品的自动定价与补货决策
在生鲜商超中，一般蔬菜类商品的保鲜期都比较短，且品相随销售时间的增加而变差，
大部分品种如当日未售出，隔日就无法再售。因此，商超通常会根据各商品的历史销售和需
求情况每天进行补货。
由于商超销售的蔬菜品种众多、产地不尽相同，而蔬菜的进货交易时间通常在凌晨 3:00-
4:00，为此商家须在不确切知道具体单品和进货价格的情况下，做出当日各蔬菜品类的补货
决策。蔬菜的定价一般采用“成本加成定价”方法，商超对运损和品相变差的商品通常进行
打折销售。可靠的市场需求分析，对补货决策和定价决策尤为重要。从需求侧来看，蔬菜类
商品的销售量与时间往往存在一定的关联关系；从供给侧来看，蔬菜的供应品种在 4 月至 10
月较为丰富，商超销售空间的限制使得合理的销售组合变得极为重要。
附件 1 给出了某商超经销的 6 个蔬菜品类的商品信息；附件 2 和附件 3 分别给出了该
商超 2020 年 7 月 1 日至 2023 年 6 月 30 日各商品的销售流水明细与批发价格的相关数据；
附件 4 给出了各商品近期的损耗率数据。请根据附件和实际情况建立数学模型解决以下问
题：

裙号：882663918
完整代码：https://www.jdmm.cc/file/2709542/

问题一代码：

#!/usr/bin/env python
# coding: utf-8# In[34]:import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import os
import warnings
warnings.filterwarnings('ignore')
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score,confusion_matrix,classification_report
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
import matplotlib.font_manager as fm# In[35]:# 设置全局字体
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体为黑体# 加载字体文件
font = fm.FontProperties(fname='C:\Windows\Fonts\simhei.ttf', size=16)# In[ ]:#千千数模 q群：790539996
#代码购买链接：https://www.jdmm.cc/file/2709542/
#倒卖欢迎举报 举报有奖# # 1.1 蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系，请分析蔬菜各品类及单品销售量的分布规律及相互关系。# In[36]:# Read the data
'''
# data_1: 6 个蔬菜品类的商品信息
# data_2: 销售流水明细数据
# data_3: 蔬菜类商品的批发价格
# data_4: 蔬菜类商品的近期损耗率
附件 1 中，部分单品名称包含的数字编号表示不同的供应来源。
附件 4 中的损耗率反映了近期商品的损耗情况，通过近期盘点周期的数据计算得到。'''
data_1 = pd.read_excel('../data/附件1.xlsx')
data_2 = pd.read_excel('../data/附件2.xlsx')
data_3 = pd.read_excel('../data/附件3.xlsx')
data_4 = pd.read_excel('../data/附件4.xlsx')# In[37]:data_1.head()# In[38]:data_2.head()# In[39]:data_3.head()
#将data_3中的列重命名为销售日期、单品编码和批发价格
data_3.columns = ['销售日期','单品编码','批发价格(元/千克)']
data_3.head()
#data_3.shape# In[40]:#将data_4中的列重命名为分类编码、分类名称、平均损耗率
data_4.columns = ['分类编码','分类名称','平均损耗率']
data_4.head()
#data_4.shape# In[41]:data_2.shape# # 1.1.1 蔬菜各品类销售量的分布规律# In[42]:# 合并data_1和data_2
merged_data = pd.merge(data_1, data_2, on='单品编码')
# 按照分类名称进行分组，计算每个品类的销售量
sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby('分类名称')['销量(千克)'].sum() - merged_data[merged_data['销售类型'] == '退货'].groupby('分类名称')['销量(千克)'].sum()# In[43]:sales_by_category.index[0:6]# In[44]:# plot the sales distribution
plt.figure(figsize=(10, 6)) # set the figure size to 10x6 inches
plt.bar(sales_by_category.index, sales_by_category.values)
plt.xticks(rotation=45, fontproperties = font, size = 16) # set the font for x-axis labels
plt.xlabel('分类名称', fontproperties = font) # set the font for x-axis label
plt.ylabel('销售量（千克）', fontproperties = font) # set the font for y-axis label
plt.title('蔬菜各品类销售量分布', fontproperties = font) # set the font for title
plt.savefig('../results/sales_distribution.png', dpi=300, bbox_inches='tight') # set dpi to 300 for higher resolution and save the entire figure# In[45]:# 以季度为周期，可视化不同蔬菜品类销售量的变化趋势
# 将销售数据按照季度进行重采样
quarterly_sales = merged_data.resample('Q', on='销售日期')['销量(千克)'].sum()
# 将销售数据按照分类名称和季度进行分组，计算每个品类在每个季度的销售量
# sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum() - merged_data[merged_data['销售类型'] == '退货'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum()
sales_by_category = merged_data[merged_data['销售类型'] == '销售'].groupby(['分类名称', pd.Grouper(key='销售日期', freq='Q')])['销量(千克)'].sum()
# 可视化销售量变化趋势
fig, ax = plt.subplots(figsize=(10, 6))
for category in sales_by_category.index.levels[0]:ax.plot(sales_by_category.loc[category].index, sales_by_category.loc[category].values, label=category)
ax.legend()
ax.set_xlabel('季度')
ax.set_ylabel('销售量（千克）')
ax.set_title('蔬菜各品类销售量变化趋势')
plt.savefig('../results/sales_num_trend.png', dpi=300, bbox_inches='tight')

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

问题 1 蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系，请分析蔬菜各
品类及单品销售量的分布规律及相互关系。

问题一要求分析蔬菜各品类及单品销售量的分布规律及相互关系。下

  1. 数据预处理 首先，我们需要对附件2中的销售流水明细数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类和单品的销售总量。
  • 对销售总量进行归一化处理，以便于后续的分析和比较。
  1. 分析销售量的分布规律 接下来，我们需要分析各蔬菜品类和单品的销售量的分布规律。具体地，我们可以按照以下步骤进行：
  • 绘制销售量的直方图和箱线图，观察它们的分布情况和异常值情况。
  • 计算销售量的均值、方差、偏度和峰度等统计量，以便于后续的分析和比较。
  • 进行聚类分析，将蔬菜品类和单品划分为若干个类别，以便于后续的分析和建模。
  1. 分析销售量的相互关系 在分析了销售量的分布规律之后，我们可以进一步分析各蔬菜品类和单品之间的销售量的相互关系。具体地，我们可以按照以下步骤进行：
  • 绘制销售量的散点图，观察它们之间的关系。
  • 计算销售量之间的相关系数，判断它们之间的线性关系的强度和方向。
  • 进行因子分析

问题 2 考虑商超以品类为单位做补货计划，请分析各蔬菜品类的销售总量与成本加成
定价的关系，并给出各蔬菜品类未来一周(2023 年 7 月 1-7 日)的日补货总量和定价策略，
使得商超收益最大。

问题 2要求分析各蔬菜品类的销售总量与成本加成定价的关系，并给出各蔬菜品类未来一周(2023年7月1-7日)的日补货总量和定价策略，使得商超收益最大。

  1. 数据预处理 首先，我们需要对附件2和附件3中的数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类的销售总量。
  • 对批发价格数据进行处理，计算各蔬菜品类的成本加成定价。
  1. 分析销售总量与成本加成定价的关系 接下来，我们需要分析各蔬菜品类的销售总量与成本加成定价的关系。具体地，我们可以按照以下步骤进行：
  • 绘制销售总量与成本加成定价的散点图，观察它们之间的关系。
  • 计算销售总量与成本加成定价之间的相关系数，判断它们之间的线性关系的强度和方向。
  • 进行回归分析，得到销售总量与成本加成定价之间的线性回归方程，以便于后续的建模和优化。
  1. 建立数学模型 在分析了销售总量与成本加成定价的关系之后，我们可以建立数学模型，以最大化商超的收益。具体地，我们可以按照以下步骤进行： - 定义决策变量：对于每个蔬菜品类，我们定义一个补货量和一个定价变量，分别表示商超在未来一周内每天补货的数量和每个蔬菜品类的定价。
  • 定义目标函数：商超的收益可以定义为销售收入减去成本。因此，我们可以将目标函数定义为： max Σ(销售收入 - 成本) 其中，Σ表示对所有蔬菜品类求和，销售收入可以通过补货量和定价计算得到，成本可以通过批发价格和补货量计算得到。
  • 定义约束条件：为了保证补货量和定价的合理性，我们需要定义一些约束条件。具体地，我们可以按照以下方式定义约束条件：
  • 补货量约束：商超每天补货的数量不能超过该蔬菜品类的销售总量。
  • 定价约束：商超的定价必须在一定的范围内，以保证价格的合理性和市场竞争力。
  • 收益约束：商超的收益必须大于等于一个给定的阈值，以保证商超的盈利能力。
  1. 求解数学模型 在建立了数学模型之后，我们可以使用数学优化方法，如线性规划或整数规划，来求解模型，得到最优的补货计划和定价策略。具体地，我们可以使用求解器或其他数学优化软件，将模型输入其中，然后运行求解器，得到最优的补货量和定价。最后，我们可以根据模型的结果，给出各蔬菜品类未来一周的日补货总量和定价策略，以实现商超收益最大化。 总之，通过以上的步骤，我们可以分析各蔬菜品类的销售总量与成本加成定价的关系，建立数学模型，求解模型，得到最优的补货计划和定价策略，以实现商超收益最大化。需要注意的是，在实际应用中，我们还需要考虑一些其他的因素，如市场需求、供应链管理、损耗率等，以保证模型的准确性和可行性。

问题 3 因蔬菜类商品的销售空间有限，商超希望进一步制定单品的补货计划，要求可
售单品总数控制在 27-33 个，且各单品订购量满足最小陈列量 2.5 千克的要求。根据 2023
年 6 月 24-30 日的可售品种，给出 7 月 1 日的单品补货量和定价策略，在尽量满足市场对各
品类蔬菜商品需求的前提下，使得商超收益最大。

问题三要求制定单品的补货计划，要求可售单品总数控制在27-33个，且各单品订购量满足最小陈列量2.5千克的要求。根据2023年6月24-30日的可售品种，给出7月1日的单品补货量和定价策略，在尽量满足市场对各品类蔬菜商品需求的前提下，使得商超收益最大。

  1. 数据预处理 首先，我们需要对附件2中的销售流水明细数据进行预处理，以便于后续的分析和建模。具体地，我们可以按照以下步骤进行：
  • 对销售流水明细数据进行汇总，得到各蔬菜品类和单品的销售总量。
  • 对销售总量进行归一化处理，以便于后续的分析和比较。
  1. 制定补货计划和定价策略 接下来，我们需要制定单品的补货计划和定价策略。具体地，我们可以按照以下步骤进行：
  • 根据可售品种和市场需求，确定需要补货的单品种类和数量。
  • 根据各单品的销售量和成本加成定价的关系，计算出各单品的售价。
  • 根据各单品的售价和损耗率，计算出各单品的净收益。
  • 根据各单品的净收益和补货量，计算出商超的总收益。
  • 利用数学优化方法，求解最优的补货计划和定价策略，使得商超收益最大化。
  1. 控制单品的数量和订购量 根据问题三的要求，商超希望制定单品的补货计划，要求可售单品总数控制在27-33个，且各单品订购量满足最小陈列量2.5千克的要求。因此，在制定补货计划和定价策略时，需要考虑这些限制条件，以确保计的可行性和有效性。具体地，我们可以按照以下步骤进行：
  • 根据可售品种和市场需求，确定需要补货的单品种类和数量。
  • 对于每个单品，计算出其最小陈列量，以确保其能够满足市场需求。
  • 根据可售单品总数的限制，对各单品的补货量进行调整，以确保总数控制在27-33个之间。
  • 根据各单品的补货量和最小陈列量，计算出各单品的订购量，以确保其能够满足市场需求和陈列要求。 需要注意的是，这些限制条件可能会相互制约，因此需要进行综合考虑和优化，以达到最优的补货计划和定价策略。

问题 4 为了更好地制定蔬菜商品的补货和定价决策，商超还需要采集哪些相关数据，
这些数据对解决上述问题有何帮助，请给出你们的意见和理由。
对于问题四，商超需要采集哪些相关数据，这些数据对解决上述问题有何帮助，请给出你们的意见和理由。 为了更好地制定蔬菜商品的补货和定价决策，商超需要采集以下相关数据：

  1. 市场需求数据：商超需要了解市场对各品类蔬菜商品的需求情况，以便于制定最优的补货计划和定价策略。这些数据可以通过市场调研、销售数据分析等方式获得。
  2. 成本数据：商超需要了解各单品的成本情况，以便于计算出各单品的售价和净收益。这些数据可以通过采购记录、供应商报价等方式获得。
  3. 损耗率数据：商超需要了解各单品的损耗率情况，以便于计算出各单品的净收益。这些数据可以通过库存管理系统、盘点记录等方式获得。
  4. 供应商数据：商超需要了解各单品的供应商情况，以便于进行供应商评估和管理。这些数据可以通过采购记录、供应商合同等方式获得。
    这些数据对解决上述问题非常有帮助。例如，市场需求数据可以帮助商超了解市场对各品类蔬菜商品的需求情况，从而制定最优的补货计划和定价策略；成本数据和损耗率数据可以帮助商超计算出各单品的售价和净收益，从而实现商超收益最大化；供应商数据可以帮助商超进行供应商评估和管理，从而确保商品的质量和供应.
    附件1给出了6个蔬菜品类的商品信息，包括品类、单品名称、供应商、规格、单位和成本加成等信息。附件2和附件3分别给出了该商2020年7月1日至2023年6月30日各商品的销售流水明细与批发价格的相关数据。附件4给出了各商品近期的损耗率数据。这些数据对制定蔬菜类商品的补货和定价决策非常有帮助，可以帮助商超了解市场需求、商品成本、损耗情况等，从而制定最优的补货计划和定价策略，实现商超收益最大化。

附件 1 6 个蔬菜品类的商品信息
附件 2 销售流水明细数据
附件 3 蔬菜类商品的批发价格
附件 4 蔬菜类商品的近期损耗率

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/124848.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Webpack5入门到原理

Webpack5入门到原理

Webpack5学习 尚硅谷Webpack5新版视频教程 B站直达：https://www.bilibili.com/video/BV14T4y1z7sw 百度网盘：https://pan.baidu.com/s/114lJRGua2uHBdLq_iVLOOQ 提取码：yyds 阿里云盘：https://www.aliyundrive.com/s/UMkmCzdWsGh&…
阅读更多...
如何免费获取CDH集群技术支持

如何免费获取CDH集群技术支持

CDH拥有全球70% 的Hadoop用户，在国内也拥有庞大的用户群体。由于Cloudera 和Hortonworks 合并后厂商政策调整，不再更新、不再免费、不再提供服务，众多企业用户生产集群面临着进退两难的窘境和未知的技术风险。 社区版不再更新。Cloudera所有…
阅读更多...
移动硬盘或U盘无法弹出的解决方法

移动硬盘或U盘无法弹出的解决方法

以下内容源于网络资源的学习与整理，如有侵权请告知删除。 最近在红米本win11中总遇到“该设备正在使用中”而无法弹出硬盘的问题。 解法该问题的思路：先定位占用该设备的进程，然后结束该进程。 定位进程 既然设备被占用，那肯定…
阅读更多...
ubuntu下Anaconda安装与使用教程

ubuntu下Anaconda安装与使用教程

前言 好久没用anaconda了，还记得之前用anaconda的欢乐时光。pytorch和paddlepaddle(飞浆)，怀念，可生活（换了ubuntu系统之后）教会了我残忍（可能很难有机会再用windows的anaconda了）。找个时间&a…
阅读更多...
Java高并发系列: 使用wait - notify实现高效异步方法

Java高并发系列: 使用wait - notify实现高效异步方法

1. 背景 在项目开发中, 通常会有异步执行操作, 例如: 提交一个异步清空一系列数据库中ID ${_id} 的记录, 这个时候通常的做法是主线程将任务添加到一个异步队列中, 后台维护一个线程不断地循环扫描这个队列, 如果有需要执行的任务, 则执行相应的逻辑. 如下图所示: 2. 一个简…
阅读更多...
qt day 6

qt day 6

登录界面 #include "window.h" #include<QDebug> #include<QIcon> Window::Window(QWidget *parent) //构造函数的定义: QWidget(parent) //显性调用父类的构造函数 {//判断数据库对象是否包含了自己使用的数据库Student.dbif(!db.contains(&…
阅读更多...
Spring Cloud--从零开始搭建微服务基础环境【二】

Spring Cloud--从零开始搭建微服务基础环境【二】

&#x1f600;前言 本篇博文是关于Spring Cloud–从零开始搭建微服务基础环境【二】&#xff0c;希望你能够喜欢 &#x1f3e0;个人主页&#xff1a;晨犀主页 &#x1f9d1;个人简介&#xff1a;大家好&#xff0c;我是晨犀&#xff0c;希望我的文章可以帮助到大家&#xff0c;…
阅读更多...
以antd为例 React+Typescript 引入第三方UI库

以antd为例 React+Typescript 引入第三方UI库

本文 我们来说说 第三方UI库 其实应用市场上的 第三方UI库都是非常优秀的 那么 react 我们比较熟的肯定还是 antd 我们还是来用它作为演示 这边 我们先访问他的官网 https://3x.ant.design/index-cn 点击开始使用 在左侧 有一个 在 TypeScript 中使用 通过图标我们也可以看出…
阅读更多...
1000元订金？华为折叠屏手机MateX5今日开始预订，售价尚未公布

1000元订金？华为折叠屏手机MateX5今日开始预订，售价尚未公布

华为最新款折叠屏手机Mate X5今日在华为商城开始预订&#xff0c;吸引了众多消费者的关注。预订时需交纳1000元的订金&#xff0c;而具体售价尚未公布。据华为商城配置表显示&#xff0c;Mate X5预计将搭载Mate 60系列同款麒麟9000S处理器&#xff0c;或可能搭载麒麟9100处理器…
阅读更多...
深入理解联邦学习——联邦学习的分类

深入理解联邦学习——联邦学习的分类

分类目录&#xff1a;《深入理解联邦学习》总目录 在实际中&#xff0c;孤岛数据具有不同分布特点&#xff0c;根据这些特点&#xff0c;我们可以提出相对应的联邦学习方案。下面&#xff0c;我们将以孤岛数据的分布特点为依据对联邦学习进行分类。 考虑有多个数据拥有方&…
阅读更多...
品牌渠道中的价值治理思路介绍

品牌渠道中的价值治理思路介绍

为什么要治理渠道价格&#xff1f; 价格的高低会影响产品的销量&#xff0c;间接影响品牌的发展&#xff0c;同时低价会存在传播性&#xff0c;不低价的店铺会受低价店铺的影响&#xff0c;为了销量会选择低价跟价&#xff0c;当低价链接不断增加&#xff0c;那渠道势必会越来…
阅读更多...
hive中遇到length函数不支持bigint

hive中遇到length函数不支持bigint

背景 hive中遇到length函数不支持bigint 解决方法&#xff0c;sql转为string之后计算长度 SELECT COUNT(1) FROM ( select msisdn FROM tb_nrmr_sample_lt_dd_total where loc_time in (23090201,23090202,23090203,23090204,23090205,23090206) and length(cast(msisdn as…
阅读更多...
2023年全国大学生数学建模B题

2023年全国大学生数学建模B题

多波束测线问题 1.问题提出 单波束测深是利用声波在水中的传播特性来测量水体深度的技术。声波在均匀介质中作匀 速直线传播&#xff0c;在不同界面上产生反射&#xff0c;利用这一原理&#xff0c;从测量船换能器垂直向海底发射声波信号&#xff0c;并记录从声波发射到信号接…
阅读更多...
2023国赛数学建模A题思路分析 - 定日镜场的优化设计

2023国赛数学建模A题思路分析 - 定日镜场的优化设计

# 1 赛题 A 题 定日镜场的优化设计 构建以新能源为主体的新型电力系统&#xff0c; 是我国实现“碳达峰”“碳中和”目标的一项重要 措施。塔式太阳能光热发电是一种低碳环保的新型清洁能源技术[1]。 定日镜是塔式太阳能光热发电站(以下简称塔式电站)收集太阳能的基本组件&…
阅读更多...
vue知识点————插槽 slot

vue知识点————插槽 slot

slot 插槽 在父组件中引用的子组件 在父组件中写入百度 可在子组件slot插槽中展示出 父组件 <template><div id"app"><child url"https://www.baidu.com">百度</child></div> </template><script> import chil…
阅读更多...
VMware 安装 黑群晖7.1.1-42962 DS918+

VMware 安装 黑群晖7.1.1-42962 DS918+

本例的用的文件 1、ARPL 1.0beat 引导文件 vmdk格式&#xff1a; https://download.csdn.net/download/mshxuyi/88309308 2、DS918_42962.pat&#xff1a;https://download.csdn.net/download/mshxuyi/88309383 一、引导文件 1、创建一个虚拟机 2、下一步&#xff0c;选稍后…
阅读更多...
使用ChatGLMTokenizer处理json格式数据

使用ChatGLMTokenizer处理json格式数据

我下载了一些中文wikipedia数据&#xff0c;准备采用ChatGLMTokenizer对齐进行清洗&#xff0c;整理为预训练语料。 import numpy as np import json from tqdm import tqdm from chatglm_tokenizer.tokenization_chatglm import ChatGLMTokenizertokenizer ChatGLMTokenizer…
阅读更多...
PPT 架构师三板斧

PPT 架构师三板斧

PPT 架构师三板斧 目录概述需求&#xff1a; 设计思路实现思路分析1.多节点上PPT 架构师三板斧2.几张框框组合有组织3.专业词汇4.切记点要点 参考资料和推荐阅读 Survive by day and develop by night. talk for import biz , show your perfect code,full busy&#xff0c;ski…
阅读更多...
PyCharm下载安装

PyCharm下载安装

PyCharm下载链接 点击下载PyCharm Community Edition社区版&#xff08;PyCharm Professional专业版需要收费&#xff0c;但可以免费试用 30 天&#xff0c;也可以找到激活方式&#xff1b;而社区版是完全免费的&#xff0c;初学者学习 Python建议使用社区版&#xff0c;不会有…
阅读更多...
人工智能在电子商务中的突破性优势

人工智能在电子商务中的突破性优势

最近都听说人工智能&#xff08;AI&#xff09;吗&#xff1f;电子商务的人工智能方面尤其受欢迎。当您以正确的方式使用正确的 AI技术时&#xff0c;您可以彻底改变您的经营方式。AI可帮助您节省时间、减少手动工作并提高数据的质量和准确性。 从本质上讲&#xff0c;您现在可…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023