随机森林在零售库存预测中的应用：从特征工程到模型落地-育师

简介：这是一份基于随机森林模型的数据挖掘实战资源包，面向有一定Python基础的初学者或研究者，聚焦零售店库存数据的可视化与预测任务，可直接用于课程设计、毕业设计或项目练习。包内共3个文件：ipynb代码文件涵盖数据清洗、特征工程、随机森林建模与评估的完整流程；csv文件提供真实的零售店库存数据集；html文件则呈现分析结果的网页报告，便于快速查看可视化图表和关键结论。压缩包整体仅2.31MB，体积小、下载快，目录结构简洁清晰。学习这份资源可以掌握随机森林在库存预测中的完整应用思路，包括特征重要性分析、模型参数调优等常用操作，并可将代码框架迁移到其他业务场景。目前已有109人学习下载，适合希望以真实数据练习建模、快速上手数据挖掘项目的读者。

1. 零售店库存预测为什么值得用随机森林模型跑一遍

库存预测是一类很“接地气”的数据挖掘实战：数据集往往就是一张零售店的销售明细表加一张库存快照，但预测结果直接关系到门店要不要补货、补多少。随机森林在这个场景里属于性价比最高的选项，它不像深度学习那样依赖海量样本，也不像时间序列模型那样要求严格的分布假设，几万行零售销售记录就能训练出可用的模型。这篇笔记适合正在做数据挖掘课设、需要一套能讲清楚的数据集加代码路径的同学，也适合用 Python 做零售数据分析、想把库存预测从 Excel 表格换成模型的从业者。整个流程从理解字段开始，经过特征工程、随机森林回归、可视化呈现，最后落到参数调优和踩坑记录。先给一个反直觉结论：这类项目最容易翻车的不是模型选型，而是时间切分和滞后特征这些不起眼的细节。

2. 随机森林在库存预测中的定位：从数据字段到建模逻辑

2.1 零售库存预测是一个回归问题：随机森林的建模逻辑为什么匹配

库存预测要回答的核心问题是：给定门店编号、SKU 编码和预测起始日期，估算未来一段时间需要准备多少库存。这里输出的不是“补货”或“不补货”的二分类结果，而是一个具体数量，因此这是一个回归问题。随机森林处理回归的思路是多棵决策树分别对目标值进行预测，最后取平均值作为整体输出。每一棵树在训练时只随机使用部分样本和部分特征，单棵树各自的“偏科”会在集成平均之后被抵消，这也是随机森林在数据噪音多、字段杂的零售库存场景里表现稳定的主要原因。

零售库存数据有三个特点，恰好对应随机森林的优势。第一，字段量纲差异大：销量可能是个位数到几百，库存周转天数可能是 0 到 60，这些字段直接放进树模型不需要做标准化，因为决策树只按特征值的大小做切分，不受单调变换的影响。第二，数据中存在异常值：盘点差错导致库存数量突然翻倍、销售记录出现负数冲正等，随机森林通过每棵树的局部切分降低单点异常对整体预测的破坏。第三，特征间的关系是非线性的：促销前两天销量上涨、断货后需求自然回落，这类事件组合在树模型里会形成很自然的交互切分，而在线性模型里需要手工构造交叉项才能捕捉。

随机森林也有明确的边界。最突出的是它对外推无能为力：训练数据里的销量区间如果集中在 0 到 200 之间，模型预测值基本也不会跳出这个范围。假如一家门店因为迁址或者更换经营品类，销量模式发生整体迁移，随机森林大概率会沿用旧规律，预测结果就会失真。其次是随机森林本身不感知时间顺序，模型并不知道“日期先后”意味着什么，必须把时间信息显式转化成特征喂进去。这两个边界在库存预测中必须提前意识到：前者靠监控特征分布变化来缓解，后者靠构造滞后特征和周几、月份等周期性特征来解决。

2.2 哪些字段值得进模型：销售明细、库存快照与时间上下文

典型的零售店库存数据集里，常见字段可以分成四类。第一类是实体标识：门店编号、SKU 编号，用于区分样本归属。第二类是业务数值：日销量、当前库存量、进货量、售价、成本价。第三类是时间字段：日期，通常精确到天。第四类是状态字段：是否促销、是否周末、门店规模等级等。这些字段单独拿出来有效，但真正让随机森林模型变好用的是组合出来的特征。

时间上下文特征是最重要的一类。零售业有很强的周期性，对大多数快消品门店来说，周一到周五的销量和周末销量差异明显，月初月末受工资日影响也有波动。日期字段本身不能直接作为特征使用，因为它只是一个字符串或者时间戳，树模型很难从“2024-05-17”这种值里学到规律。我会把日期拆成 weekday（星期几）、day_of_month（几号）、is_weekend（是否周末），再根据业务日历加一列“是否法定节假日”。

滞后销量特征承担了“趋势记忆”的任务。随机森林不像 ARIMA 那样对序列结构建模，如果想让模型知道“上一周卖了多少”，就得手动构造一个 lag_1w_sales 列，把每个 SKU 在 7 天前的销量对齐到今天这条记录上。滞后期数的选择要和门店的补货周期成正比。周补货的门店至少构造滞后 1 周、2 周和 4 周的销量；日补货的便利店，滞后 1 天、3 天、7 天都值得尝试。这里有一个容易忽略的细节：如果某 SKU 在前一周经历过断货，那一周的销量可能为 0，这个 0 并不是真实需求，模型会被误导，因此还要把断货标记（当天库存触底、次日销量为零）一并构造出来。

库存周转特征是连接“销售”和“库存”两个域的桥梁。库存周转天数等于当前库存除以最近 7 天日均销量，它表达的是“按现在的卖法，这批货还能撑多久”。这个值小代表快售罄，该触发补货了。有了当前库存量与未来预测销量的相对关系，模型才能把库存状态纳入预测逻辑，而不是只靠历史销量外推。特征数量不是越多越好，我见过有人把十几个 SKU 属性、十几个时间窗口特征全部塞进去，结果训练时间变长，特征重要性被稀释，预测精度反而没有提升。随机森林做特征筛选相对粗暴：先跑一版全量特征，读取 feature_importances_，把重要性趋近于 0 的特征删掉再训练一次，通常能拿到更稳定的模型。

2.3 为什么是随机森林：与线性回归、XGBoost、Prophet 的取舍

做数据挖掘实战时，最常见的选择题就是回归模型用哪个。线性回归最容易上手，但库存销量数据几乎不满足线性假设，促销日和非促销日的销量是跳跃式变化，线性模型在这种场景里残差会非常大。Prophet 这类时间序列模型擅长提取趋势和季节性，却对额外业务特征（促销、节假日、断货）支持不友好，需要额外构造回归因子，改动成本不低。

XGBoost 和 LightGBM 这类梯度提升树模型在库存预测上精度更高，但参数敏感度也高：学习率、树深度、叶节点最小样本、特征采样比例之间互相影响，新手调参很容易把模型调到“训练集完美、测试集崩盘”的状态。随机森林虽然单棵树的偏差消除能力弱于带 boosting 的树模型，但胜在参数稳健，默认参数的预测结果已经处在可用水平。从课程设计和数据挖掘实战的角度，随机森林还有一个加分项：它在 scikit-learn 中的实现只需要几行代码就能跑通，模型能用 joblib 或 pickle 保存，预测阶段可以直接在 Jupyter 里加载。后续如果要升级成 LightGBM，沉淀下来的特征工程代码完全可以复用，模型切换成本很低。所以在“数据集加代码”这类实战项目里，我一般会把随机森林作为第一个交付版本，确认特征和评估体系稳定之后再考虑换更强的模型。

3. 从数据集到可视化界面：随机森林库存预测完整实现

3.1 数据加载与预处理：把销售和库存对齐成一张宽表

拿到零售店库存数据集之后，第一件事不是建模，而是把数据整理成“一行对应一个门店一个 SKU 一天”的宽表结构。很多原始数据里销售明细和库存快照是分开存放的，需要按门店、SKU 和日期对齐。这里给出一个最小可运行的预处理流程：

import pandas as pd # 读取销售明细与库存快照，日期都转成 datetime 类型 sales = pd.read_csv("sales_data.csv", parse_dates=["date"]) stock = pd.read_csv("stock_snapshot.csv", parse_dates=["date"]) # 按门店+SKU+日期对齐，得到日粒度宽表 df = sales.merge(stock, on=["store_id", "sku_id", "date"], how="left") print("合并后行数：", len(df), "列数：", len(df.columns)) # 销量缺失的记录直接删除，库存缺失的用同SKU前一天值前向填充 df = df.dropna(subset=["sales_qty"]) df["stock_qty"] = df.groupby(["store_id", "sku_id"])["stock_qty"].ffill() # 过滤异常记录：销量和库存不允许出现负数 df = df[(df["sales_qty"] >= 0) & (df["stock_qty"] >= 0)] # 只保留营业满90天的门店，剔除开业初期噪声 store_stats = df.groupby("store_id")["date"].agg(["min", "max"]) valid_stores = store_stats.loc[ store_stats["max"] - store_stats["min"] >= pd.Timedelta(days=90) ].index df = df[df["store_id"].isin(valid_stores)].copy() df = df.sort_values(["store_id", "sku_id", "date"]).reset_index(drop=True) print(df.head())

这段代码里有几个参数值得说明。merge的how="left"表示以销售明细为主表，库存快照可能比销售少一个频次，缺失时保留销售的日期骨架。ffill()是针对库存字段的前向填充：库存盘点通常不是每天都有，把最近一次盘点值向后延续是零售库存分析里的常规做法。保留 90 天最小营业时长是为了剔除新店开业期销量剧烈波动造成的干扰，这个阈值可以根据数据集的覆盖时长调整，数据跨度短就降到 60 天。

预处理阶段还要关注重复记录。同一门店同一 SKU 同一天出现两条销售记录，多半是不同班次分别上报，应该在建模前按门店、SKU、日期做一次聚合求和。如果数据集中存在“未来日期”的库存记录（比如系统提前录入了计划到货），一定要先筛掉，否则特征会穿透到未来，导致验证结果虚高。

3.2 特征工程实操：滞后销量、库存周转与事件标记

预处理后的宽表还不能直接进入随机森林。我给模型准备的字段分三组：销量记忆、库存状态、事件标记。销量记忆用滞后窗口表达“最近卖得怎么样”，库存状态用周转天数表达“手头还有多少货”，事件标记用促销和星期几表达“近期有没有突发需求”。代码把三类特征一次构造出来：

# 滞后销量：7天前、14天前的销量作为趋势记忆 df["lag_1w_sales"] = df.groupby(["store_id", "sku_id"])["sales_qty"].shift(7) df["lag_2w_sales"] = df.groupby(["store_id", "sku_id"])["sales_qty"].shift(14) # 近28天滑动平均销量，表达中期趋势 df["sales_ma_4w"] = df.groupby(["store_id", "sku_id"])["sales_qty"].transform( lambda x: x.rolling(28, min_periods=1).mean() ) # 库存周转天数：当前库存 / 最近7天日均销量，分母加极小值防止除零 df["stock_turnover_days"] = df["stock_qty"] / ( df.groupby(["store_id", "sku_id"])["sales_qty"].transform( lambda x: x.rolling(7, min_periods=1).mean() ) + 1e-9 ) # 事件标记：周末、促销、月初 df["is_weekend"] = df["date"].dt.dayofweek.isin([5, 6]).astype(int) df["is_promotion"] = df["promo_flag"].fillna(0).astype(int) df["is_month_start"] = df["date"].dt.day.le(3).astype(int) # 目标变量：未来7天销量总和，作为库存需求预测的标签 df["future_sales_7d"] = df.groupby(["store_id", "sku_id"])["sales_qty"].transform( lambda x: x.rolling(7, min_periods=1).sum().shift(-6) ) # 标签缺失（数据末尾）的样本不参与训练 df_model = df.dropna(subset=["future_sales_7d"]).copy() print(df_model[["lag_1w_sales", "stock_turnover_days", "future_sales_7d"]].describe())

这里最需要理解的是future_sales_7d的构造方式。rolling(7, min_periods=1).sum()计算的是包含当天在内连续 7 天的销量之和，shift(-6)把窗口结果向前平移 6 天，让结果对齐到窗口的第一天。也就是说，每一行样本的标签是“从当天起未来 7 天总销量”，这正好对应补货决策需要的需求预测量。数据最后 6 天无法构造标签，dropna会自动去掉这些样本。

参数方面有两个细节容易出错。第一，shift(7)的前提是数据粒度是“天”，如果数据集本身是周粒度或月粒度，要把滞后窗口改成shift(1)或对应周期数，否则滞后的天数概念就错了。第二，stock_turnover_days的分母加了1e-9，这是为了防止 SKU 连续 7 天销量为 0 时出现除零错误，这个坑在长尾商品上非常常见，不加的话训练阶段会直接报 inf 或者 NaN。

3.3 随机森林回归模型训练：参数设置、评估指标与特征重要性

特征构造完之后，进入随机森林的训练环节。有一个关键原则要提前说：库存预测本质是时间序列预测，训练集和测试集不能随机打乱，必须按时间先后切分。用未来的数据训练、过去的数据测试，模型会偷看到“未来答案”，指标好看但没有实际意义。常规做法是把数据最后 30 天作为测试集，之前的数据作为训练集：

from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error feature_cols = [ "lag_1w_sales", "lag_2w_sales", "sales_ma_4w", "stock_qty", "stock_turnover_days", "is_weekend", "is_promotion", "is_month_start", "store_id", "sku_id" ] # 类别字段转成数值编码，sklearn 的随机森林不接受字符串 for col in ["store_id", "sku_id"]: df_model[col + "_code"] = df_model[col].astype("category").cat.codes feature_cols = [c + "_code" if c in ["store_id", "sku_id"] else c for c in feature_cols] cutoff = df_model["date"].max() - pd.Timedelta(days=30) train = df_model[df_model["date"] < cutoff] test = df_model[df_model["date"] >= cutoff] X_train, y_train = train[feature_cols], train["future_sales_7d"] X_test, y_test = test[feature_cols], test["future_sales_7d"] # 随机森林回归：300棵树，树深最多12层，叶节点至少5个样本 rf = RandomForestRegressor( n_estimators=300, max_depth=12, min_samples_leaf=5, random_state=42, n_jobs=-1 ) rf.fit(X_train, y_train) pred = rf.predict(X_test) print("MAE:", round(mean_absolute_error(y_test, pred), 2)) print("RMSE:", round(mean_squared_error(y_test, pred) ** 0.5, 2)) # 输出特征重要性，用于判断哪些字段真有用 imp = pd.DataFrame({"feature": feature_cols, "importance": rf.feature_importances_}) imp = imp.sort_values("importance", ascending=False) print(imp.head(10).to_string(index=False))

代码里最需要解释的是类别编码。store_id_code利用 pandas 的 category 编码把门店编号映射成 0 到 N-1 的整数，随机森林可以读取这样的整数特征。门店编号经过编码后有数值大小关系，但决策树只按阈值做切分，不会像线性模型那样把编号当成连续值来斜着拟合，所以这个编码方式不会引入排序偏差，代价只是模型可解释性稍微下降。

几个参数的作用要区分清楚。n_estimators=300表示随机森林由 300 棵决策树组成，数量越大预测越稳定，但训练时间越长；到达一定数量后精度增益会递减，300 是零售数据量级下比较平衡的选择。max_depth=12限制每棵树的深度，避免单棵树过度拟合个别门店的极端销量。min_samples_leaf=5要求叶节点至少包含 5 个样本，是防止回归输出过于极端的主要手段。n_jobs=-1代表使用全部 CPU 核心并行训练，数据量不大时这个参数不明显，数据量大了能明显缩短训练时间。

MAE 和 RMSE 需要结合销量量级一起看。比如 MAE 等于 12，意思是平均每个 SKU 的预测值和真实值相差 12 件。如果 SKU 平均销量是 30 件，误差率 40%，模型还有优化空间；如果平均销量是 200 件，误差率 6%，已经相当可用。只看绝对值没有意义，要拿误差和预测目标本身的均值做对比。

3.4 可视化呈现：预测值与真实库存的对比图怎么画

库存预测的可视化，重点不是把图画得炫，而是让看的人一眼判断“模型准不准、库存紧不紧张”。实际项目里我一般至少画三类图：模型预测与真实销量的时间序列对比、特征重要性排序、预测需求与当前库存的差距条形图。第一类图校验模型行为，第二类支撑特征取舍，第三类才是给运营做补货决策看的。可视化大屏是最终产品形态，但起步阶段不要纠结大屏，先把对比图画明白。

import matplotlib.pyplot as plt # 选一个门店一个SKU的可视化样本 sample_store, sample_sku = "S001", "SKU003" sample_df = test[(test["store_id"] == sample_store) & (test["sku_id"] == sample_sku)].copy() sample_df = sample_df.sort_values("date") sample_df["pred_sales"] = rf.predict(sample_df[feature_cols]) fig, ax = plt.subplots(figsize=(12, 5)) ax.plot(sample_df["date"], sample_df["future_sales_7d"], label="实际未来7天销量", color="#1f77b4", linewidth=1.5) ax.plot(sample_df["date"], sample_df["pred_sales"], label="随机森林预测", color="#d62728", linestyle="--", linewidth=1.5) ax.set_xlabel("日期") ax.set_ylabel("未来7天销量") ax.set_title(f"{sample_store} / {sample_sku} 库存需求量预测对比") # 在图上标注真实库存低于预测需求的时间点 understock = sample_df[sample_df["stock_qty"] < sample_df["pred_sales"]] if len(understock) > 0: ax.scatter(understock["date"], understock["pred_sales"], color="#2ca02c", s=40, label="库存缺口点") ax.legend() plt.tight_layout() plt.show()

这段代码最常见的坑是文本匹配。如果“S001”在数据集里的实际编号格式是整数 1 或者带前导零的字符串，筛选出来的就是空数据框，画布上只有坐标轴，报错不明显。应对方法是从原始数据里先取几行唯一的store_id打印出来确认格式，再写死到筛选条件里。绿色点标出的“库存缺口点”表示这些日子当前库存低于预测需求量，是需要触发补货的时点，这些点在业务上就是补货建议的重点关注对象。

4. 避坑指南：随机森林库存预测中常见的5个翻车现场

4.1 预测结果基本等于同一个均值，SKU差异完全没体现

现象是模型跑完之后 MAE 看着不大，但把预测曲线画出来几乎是直线，不同 SKU 的预测值都向整体均值靠拢，门店和单品之间的差异完全丢失。原因通常有两个：一是max_depth和min_samples_leaf设置得太保守，树太浅导致每棵树的输出都接近样本均值，集成平均之后更加平滑；二是特征与目标的相关性太弱，模型找不到有效的切分变量，只能靠全局均值兜底。解决办法是先做一个单特征基线测试：只用lag_1w_sales一个特征训练，如果曲线还是平的，说明问题出在特征；如果单特征有波动，再把max_depth从 12 提到 18，min_samples_leaf降到 2，观察预测曲线敏感度。我的经验是这类问题八成出在特征没构造好，而不是参数不对，先回去检查滞后特征是否真的被正确对齐了。

4.2 测试集指标好得反常，特征里混进了未来数据

我遇到过最典型的案例是训练集 MAE 8.2，测试集 MAE 6.1，测试误差比训练误差还低，这在时间序列场景里非常不合理，唯一的解释是特征和数据之间存在穿透。排查到最后发现，库存快照表里包含了计划到货量，把未来才会到货的库存提前算进了当天的当前库存字段，模型等于提前看到了未来结果。随机森林只学习特征和标签的映射关系，只要特征里存在“当天之后才知道的值”，测试集指标就会虚高。解决方法是把特征构造拆成“截至当天”和“当天之后”两类逐列检查，最简单有效的验证手段是把预测目标改成“未来第 8 天到第 14 天的销量”，如果模型仍然预测得很准，说明特征穿透已经非常严重，必须回头清理字段。

4.3 没按时间切分训练集测试集，模型实际在“猜邻居”

很多人用 scikit-learn 习惯了train_test_split，默认参数里shuffle=True，库存预测照抄这个用法，结果离线测试表现良好，上线后一塌糊涂。原因是库存数据存在时间自相关，随机打乱之后训练集和测试集互相包含相邻日期，模型实际上是在“猜时间附近的样本”，而不是“预测未来”。判断有没有踩坑很简单：检查测试集中日期的最小值是否大于训练集中日期的最大值，如果两者日期交叉，就是切分错了。解决方法是按时间比例切分，测试集直接取日期最后 20% 的样本；进一步可以用时间序列交叉验证，具体做法放在最后一章。

4.4 滞后特征大面积NaN，为省事填0反而带偏模型

零售数据里很多 SKU 是长尾品，一件商品一个月只卖出个位数单子。对这类 SKU 做shift(7)滞后，大量行的lag_1w_sales就是 NaN。pandas 的 groupby 加 shift 产生 NaN 后直接进入随机森林，scikit-learn 会报错；为了省事把 NaN 全填成 0，又会让模型把“过去没卖过”和“断货没卖”混为一谈，预测结果自然偏小。更合理的做法是分层处理：按近 30 天销量把 SKU 分成畅销品和长尾品两类，长尾 SKU 单独建模，或者把滚动窗口从 7 天放宽到 14 天、30 天，减少零销量导致的稀疏。我这里习惯把min_periods调大，比如rolling(14, min_periods=5)，宁可少要几行训练样本，也不制造虚假的 0 特征干扰模型。

4.5 预测曲线拟合很好，但换算成补货量后不能落地

最后一个坑常常出现在项目交付阶段。模型预测的是“未来 7 天销量”，但运营要的补货量是“预测销量加安全库存减当前库存减在途库存”。我见过只看预测曲线判断项目成功的例子，模型拟合得很漂亮，但运营按公式一算，发现大批 SKU 的补货量为负，原因是很多商品当前库存高但即将过季，随机森林只按历史销量推断了需求，并不知道商品生命周期快结束了。随机森林预测的是需求，不是补货决策。落地时需要在模型之外定义安全库存天数，再把需求、当前库存、在途库存三个数合并输出补货建议。这一步在数据挖掘实战里经常被忽略，但恰恰是决定模型能否被业务真正使用的最后一道坎。

5. 让模型更可信：滚动验证、参数调优与补货建议落地

5.1 用滚动时间窗口验证，不迷信一次性测试指标

一次性切分测试 30 天只验证了一个时间段，模型可能只是在那段时间恰好表现好。我常用滚动验证的方式评估稳定性：以 30 天为一个窗口，第一次用前 120 天训练、验证接下来 30 天，第二次用前 150 天训练、验证之后 30 天，不断推进。这样得到的 MAE 序列比单个一次性测试指标可信得多，也能看出模型在促销旺季是否退化。

# 简化版滚动验证：依次推进训练集和验证集窗口 results = [] for step in range(3): train = df_model.iloc[0:120 + 30 * step] val = df_model.iloc[120 + 30 * step:150 + 30 * step] rf.fit(train[feature_cols], train["future_sales_7d"]) pred = rf.predict(val[feature_cols]) mae = mean_absolute_error(val["future_sales_7d"], pred) results.append(mae) print(f"窗口{step + 1} MAE：{mae:.2f}") print("平均MAE：", round(sum(results) / len(results), 2))

窗口边界参数最需要调。df_model必须先按日期排序；如果数据集覆盖不到 200 天，窗口要缩小到 60 天和 30 天。scikit-learn 其实有现成的TimeSeriesSplit，但它默认用索引切分，理解上不如这个直接写循环直观，初学者先用显式窗口练手更稳妥。

5.2 网格搜索调三个核心参数：不追求最优，只追求稳定

随机森林调参最容易陷入“参数玄学”。我的经验是只调n_estimators、max_depth、min_samples_leaf三个核心参数，搜索空间控制在 12 组以内。n_estimators从 100 到 500 按 100 步进，max_depth从 8 到 24 按 4 步进，min_samples_leaf从 1 到 10 按 2 步进。搜索完成之后再跑一次滚动验证，确认不同窗口下误差波动不大，参数才算可靠。调参必须排在特征工程收敛之后，否则调出来的是对错误特征的过度拟合，这个顺序反了基本就要吃后悔药。