Natuurlijk! Hier is een gestructureerde aanpak voor het transformeren van je verkoopgegevens DataFrame, inclusief uitleg en Python-code. 1. **Datumkenmerken extraheren** Reden: Datumgegevens bevatten vaak nuttige informatie zoals dag van de week, maand, kwartaal, die kunnen helpen bij analyses en modellen. ```python import pandas as pd # Voorbeeld: DataFrame met kolom 'Datum' df['Datum'] = pd.to_datetime(df['Datum']) # Extract jaar, maand, dag, dag van de week df['Jaar'] = df['Datum'].dt.year df['Maand'] = df['Datum'].dt.month df['Dag'] = df['Datum'].dt.day df['Weekdag'] = df['Datum'].dt.day_name() ``` 2. **Categorische variabelen encoderen** Reden: Machine learning algoritmes werken beter met numerieke data. Encodering van categorische data zoals 'Regio' en 'Product' is essentieel. ```python # Optie 1: One-hot encoding (voor weinig categorische waarden) df = pd.get_dummies(df, columns=['Regio', 'Product']) # Optie 2: Label encoding (voor sequentiële modellen) from sklearn.preprocessing import LabelEncoder le_regio = LabelEncoder() df['Regio_encoded'] = le_regio.fit_transform(df['Regio']) le_product = LabelEncoder() df['Product_encoded'] = le_product.fit_transform(df['Product']) ``` 3. **Gegevensnormalisatie of standaardisatie** Reden: Variabelen zoals 'Verkoop' kunnen sterk verschillen in schaal. Normalisatie helpt bij veel algoritmes. ```python from sklearn.preprocessing import MinMaxScaler, StandardScaler # Kies afhankelijk van modeltype scaler = MinMaxScaler() df['Verkoop_norm'] = scaler.fit_transform(df[['Verkoop']]) ``` 4. **Kenmerkengineering (bijvoorbeeld verkoop per product/regio, tijdstippen)** Reden: Nieuwe kenmerken kunnen patronen beter zichtbaar maken. ```python # Verkoop per product en regio df['Verkoop_per_regio_product'] = df.groupby(['Regio', 'Product'])['Verkoop'].transform('sum') ``` 5. **Verwijderen van onnodige kolommen** Reden: Data opschonen voor betere prestaties. ```python # Verwijder oorspronkelijke kolommen die niet meer nodig zijn df.drop(['Datum', 'Regio', 'Product'], axis=1, inplace=True) ``` --- **Samenvatting:** Deze stappen zorgen voor een rijke set kenmerken, een goede schaal en een geschikt formaat voor machine learning. Je kunt deze stappen aanpassen afhankelijk van je specifieke data en modelbehoeften.

Hier is een uitgebreide gegevens transformatiestrategie voor jouw verkoopdata met Python codevoorbeelden: ## 1. Basis Data Exploratie en Cleaning ```python import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler, LabelEncoder from sklearn.model_selection import train_test_split # Laad je DataFrame (voorbeeld) # df = pd.read_csv('verkoopdata.csv') # Eerste inspectie print("Data vorm:", df.shape) print("\nKolommen:", df.columns.tolist()) print("\nData types:\n", df.dtypes) print("\nOntbrekende waarden:\n", df.isnull().sum()) # Datum conversie df['Datum'] = pd.to_datetime(df['Datum']) print("\nDatum bereik:", df['Datum'].min(), "tot", df['Datum'].max()) ``` **Reden**: Begrijp de data structuur en zorg voor juiste datatypes voordat we transformeren. ## 2. Kenmerkextractie uit Datum ```python # Extraheer temporele kenmerken df['Jaar'] = df['Datum'].dt.year df['Maand'] = df['Datum'].dt.month df['Kwartaal'] = df['Datum'].dt.quarter df['Dag_van_de_week'] = df['Datum'].dt.dayofweek df['Dag_van_de_maand'] = df['Datum'].dt.day df['Is_weekend'] = (df['Datum'].dt.dayofweek >= 5).astype(int) df['Seizoen'] = df['Datum'].dt.month % 12 // 3 + 1 # Seizoensnamen toevoegen seizoen_mapping = {1: 'Winter', 2: 'Lente', 3: 'Zomer', 4: 'Herfst'} df['Seizoen_naam'] = df['Seizoen'].map(seizoen_mapping) ``` **Reden**: Temporele patronen zijn cruciaal voor verkoopanalyse. Deze kenmerken helpen seizoenseffecten en trends te identificeren. ## 3. Gegevensnormalisatie ```python # Verkoop normalisatie (meerdere methoden) df['Verkoop_log'] = np.log1p(df['Verkoop']) # Voor scheve distributie df['Verkoop_std'] = (df['Verkoop'] - df['Verkoop'].mean()) / df['Verkoop'].std() # Of gebruik StandardScaler voor consistentie scaler = StandardScaler() df['Verkoop_scaled'] = scaler.fit_transform(df[['Verkoop']]) print("\nVerkoop statistieken voor normalisatie:") print(f"Mean: {df['Verkoop'].mean():.2f}, Std: {df['Verkoop'].std():.2f}") print(f"Na normalisatie - Mean: {df['Verkoop_scaled'].mean():.2f}, Std: {df['Verkoop_scaled'].std():.2f}") ``` **Reden**: Normalisatie verbetert modelprestaties en zorgt voor gelijke schaal van features. ## 4. Encoderingstechnieken voor Categorische Variabelen ```python # One-Hot Encoding voor Regio (wanneer weinig categorieën) regio_encoded = pd.get_dummies(df['Regio'], prefix='Regio') df = pd.concat([df, regio_encoded], axis=1) # Label Encoding voor Product (wanneer veel categorieën of ordinale relatie) label_encoder = LabelEncoder() df['Product_encoded'] = label_encoder.fit_transform(df['Product']) # Frequency Encoding als alternatief product_freq = df['Product'].value_counts().to_dict() df['Product_freq_encoded'] = df['Product'].map(product_freq) print("\nEncodering overzicht:") print(f"Aantal unieke producten: {df['Product'].nunique()}") print(f"Aantal unieke regio's: {df['Regio'].nunique()}") ``` **Reden**: Verschillende encoderingstechnieken voor verschillende scenario's - one-hot voor nominale, label voor ordinale data. ## 5. Geavanceerde Kenmerkextractie ```python # Rolling statistics voor tijdreeksen df = df.sort_values('Datum') df['Verkoop_rolling_7d'] = df.groupby('Product')['Verkoop'].transform( lambda x: x.rolling(window=7, min_periods=1).mean() ) # Maand-tot-maand groei df['Verkoop_shift_1'] = df.groupby(['Product', 'Regio'])['Verkoop'].shift(1) df['Maandelijkse_groei'] = (df['Verkoop'] - df['Verkoop_shift_1']) / df['Verkoop_shift_1'] # Aggregatie kenmerken per product en regio product_stats = df.groupby('Product')['Verkoop'].agg(['mean', 'std', 'min', 'max']).add_prefix('Product_') regio_stats = df.groupby('Regio')['Verkoop'].agg(['mean', 'std']).add_prefix('Regio_') df = df.merge(product_stats, on='Product', how='left') df = df.merge(regio_stats, on='Regio', how='left') ``` **Reden**: Deze kenmerken leggen complexe relaties en patronen bloot die belangrijke voorspellers kunnen zijn. ## 6. Data Quality Checks en Final Cleanup ```python # Verwijder tijdelijke kolommen en handle missing values df = df.drop(['Verkoop_shift_1'], axis=1) # Tijdelijke kolom df['Maandelijkse_groei'] = df['Maandelijkse_groei'].fillna(0) # Eerste waarde # Verwijder duplicaten df = df.drop_duplicates() # Selecteer finale features voor ML ml_features = [ 'Verkoop_scaled', 'Jaar', 'Maand', 'Kwartaal', 'Dag_van_de_week', 'Dag_van_de_maand', 'Is_weekend', 'Seizoen', 'Product_encoded', 'Product_freq_encoded', 'Verkoop_rolling_7d', 'Maandelijkse_groei', 'Product_mean', 'Product_std', 'Regio_mean', 'Regio_std' ] + [col for col in df.columns if col.startswith('Regio_')] final_df = df[ml_features].copy() print(f"\nFinale DataFrame vorm: {final_df.shape}") print(f"Finale kolommen: {final_df.columns.tolist()}") ``` ## 7. Train-Test Split voor ML ```python # Voorbereiding voor machine learning # Stel dat we 'Verkoop' willen voorspellen X = final_df.drop('Verkoop_scaled', axis=1) y = final_df['Verkoop_scaled'] # Split de data X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, shuffle=False # Geen shuffle voor tijdreeksen ) print(f"\nTrain set: {X_train.shape}") print(f"Test set: {X_test.shape}") ``` ## Belangrijkste Redenen per Transformatiestap: 1. **Datum features**: Capturen seizoenspatronen en trends 2. **Normalisatie**: Zorgt voor stabiele modeltraining 3. **Encodering**: Maakt categorische data bruikbaar voor algoritmes 4. **Rolling statistics**: Legt tijdelijke patronen vast 5. **Aggregatie features**: Voegt context toe vanuit groepsstatistieken 6. **Data cleaning**: Zorgt voor betrouwbare analyses Deze strategie resulteert in een DataFrame die geoptimaliseerd is voor zowel exploratieve analyse als machine learning modellen!