问题背景概述：

M公司在20座城市拥有门店，销售A、B、C三种产品。现有2014年1月至2016年12月（共计三年，36个月）以来，每个城市每月每产品的销量数据，意在预测2017年度每城市每月每产品的销量。

解决方案：

本题拟对城市-产品分组建模，对20个城市-3种产品共建立60个时间序列模型。

读入数据并使用匿名函数转换时间变量：

data = read_csv("sales_data.csv",encoding= "gbk")
data["month"] = data["month"].apply(lambda x:datetime.datetime.strptime(x,'%Y-%m'))

data["month"]是dataframe里的一列，是series类型，如果想对其中每一个值进行操作，需要遍历读取。此处使用的方法是apply（lambda函数）。

分组：

grouped = data.groupby(["city","product"])

data共四列，分别是city,product,time,Q

grouped 变量作为groupby函数的输出，是一个二元组。其中的0号元素是又一个二元组，代表分组的组别标签，如（北京市，A产品）；其中的1号元素是一个dataframe，是该组内的所有记录，如(北京市，A产品，2015年6月，5664件)。如下所示：

考虑到访问元组只能通过遍历或索引的形式，可能带来不便，故将其转换为字典：键是二元组（city,product），值是该城市该产品的记录。完成后画销量折线图。

sale_dict = {}
for i in grouped:
    sale_dict[i[0]]=i[1]
#利用键访问分组后的记录并再次按年份分组画图
for lable in sale_dict:
    df = sale_dict[lable]
    plt.figure(figsize= (20,10),dpi=100)
    for i in df.groupby(["year"]):
        plt.plot(i[1]["month"],i[1]["quantity"])
        plt.savefig("fig/{}.jpg".format(lable))

得到折线图如下：蓝色代表2014年12个月的销量。黄色代表2015年12个月的销量。绿色代表2016年12个月的销量。

 60张图片看下来没一个时间序列是平稳的。。。服了。不过年年销量走向都差不多，说明有明显的季节性。接下来挑出一个城市的一个产品为例具体建模。