用Python预测销售数据

我有一个随机数的数据集，包含每个销售代表前几个月的销售数据，我想知道是否有办法预测每个销售代表下个月的销售情况。我不确定机器学习方法是否可以在这里使用

我主要是问解决这个问题的最佳方法，不需要代码，但可能是一种最适合这些类型问题的方法。这是我感兴趣的东西，我希望在将来应用到更大的数据集

data = [[1 , 55, 12, 25, 42, 66, 89, 75, 32, 43, 15, 32, 45], 
        [2 , 35, 28, 43, 25, 54, 76, 92, 34, 12, 14, 35, 63],
        [3 ,13, 31, 15, 75, 4, 14, 54, 23, 15, 72, 12, 51],
        [4 ,42, 94, 22, 34, 32, 45, 31, 34, 65, 10, 15, 18],
        [5 ,7, 51, 29, 14, 92, 28, 64, 100, 69, 89, 4, 95],
        [6 , 34, 20, 59, 49, 94, 92, 45, 91, 28, 22, 43, 30],
        [7 , 50, 4, 5, 45, 62, 71, 87, 8, 74, 30, 3, 46],
        [8 , 12, 54, 35, 25, 52, 97, 67, 56, 62, 99, 83, 9],
        [9 , 50, 75, 92, 57, 45, 91, 83, 13, 31, 89, 33, 58],
        [10 , 5, 89, 90, 14, 72, 99, 51, 29, 91, 34, 25, 2]]

df = pd.DataFrame (data, columns = ['sales representative ID#',
        'January Sales Quantity',
        'Fabruary Sales Quantity',
        'March Sales Quantity',
        'April Sales Quantity',
        'May Sales Quantity' ,
        'June Sales Quantity',
        'July Sales Quantity',
        'August Sales Quantity',
        'September Sales Quantity',
        'October Sales Quantity',
        'November Sales Quantity',
        'December Sales Quantity'])

---

选择预测方法，并迭代重复计算其参数。在这里，您可以使用简单的python。随着时间的推移，你可以添加一些更聪明的东西

#!/usr/bin/python

data = [[1 , 55, 12, 25, 42, 66, 89, 75, 32, 43, 15, 32, 45], 
        (...)

months = []
for m in range(len(data[0])):
    months.append(m+1)

for rep in range(len(data)):
        linear_regression(months, data[rep])

“有没有办法”对于堆栈溢出来说不是问题。因为你使用的是一台通用计算机，它几乎不比图灵机器差，所以答案几乎总是“是”。接下来的问题“我该如何做？”，对于堆栈溢出来说太宽了。请从下面的开始重复和。“演示如何解决此编码问题”不是堆栈溢出问题。我们希望您做出诚实的尝试，然后就您的算法或技术提出具体问题。堆栈溢出不是为了替换现有的文档和教程。你似乎需要一本机器学习方法和应用的入门书；这完全超出了此站点的范围。请查看预测时间序列。你想预测明年的一月。线性回归是最简单的方法。但是你可以调查一下销售是否有季节性/趋势？（这些是汽车销售？度假？油漆？企业软件？）（结果（稍微）取决于当月非假日工作日的数量？会计年度的月份？销售人员配额的评估时间？）这些都是你可以阅读的内容。