Files

0. sku_{attr,info,prom,prom_testing,quantile,sales}.csv 赛题所给文件
1. features[0-9].csv 不用git同步，共1000*6*762个sample，每个39维features和1维label(0-quantity那一列)
2. stat.csv 均值方差（没用这个）
3. stdvar.csv 每个(sku,dc）14维，分别为dc全年,dc1-12月,sku全年的stdvar
4. test.csv 预测结果（可以直接提交）
5. model.py Machine Learning脚本
6. processing.py 提特征脚本
7. test.py 不用理

features

• sku_id,dc_id,date
• -x_quantity 第(now-x)天quantity
• -x_vendibility 第(now-x)vendibility

(共k0天)

• original_price 原价，当天无记录则为该sku平均原价
• discount 标价/原价，0.0-1.0，当天无记录则为1
• prom_sku 有promotion_type的时候该sku销量总和/该sku销量总和，理论上应该>1
• prom_cate3 有promotion_type的时候该第三类别销量总和/该第三类别销量总和，理论上应该>1
• k1days-avr-discount 前k1天平均discount
• k1days-avr-quantity 前k1天平均quantity
• k2days-avr-discount,k2days-avr-quantity month-avr-quantity-first_cate,second_cate,third_cate,brand_code,sku_id,sku_dc 所属first_cate,second_cate,third_cate,brand_code,sku_id,sku_dc对在该月的平均quantity
• weekday-avr-quantity-first_cate,second_cate,third_cate,brand_code,sku_id,sku_dc 所属first_cate,second_cate,third_cate,brand_code,sku_id,sku_dc对在星期x的平均quantity