Giter VIP home page Giter VIP logo

logistics-optimization-causal-inference's Introduction

alt text

Welcome to Location Optimization using Causal Inference ๐Ÿ‘‹

This project contains code that visualizes driver locations. Performs causal inference to determine the cause behind incomplete deliveries.

Install

Clone the project

git clone https://github.com/KaydeeJR/logistics-optimization-causal-inference

Install dependencies

pip3 install -r requirements.txt

Directory Structure

logistics-optimization-causal-inference
โ”œโ”€ .git
โ”‚  โ”œโ”€ COMMIT_EDITMSG
โ”‚  โ”œโ”€ FETCH_HEAD
โ”‚  โ”œโ”€ HEAD
โ”‚  โ”œโ”€ ORIG_HEAD
โ”‚  โ”œโ”€ branches
โ”‚  โ”œโ”€ config
โ”‚  โ”œโ”€ description
โ”‚  โ”œโ”€ hooks
โ”‚  โ”‚  โ”œโ”€ applypatch-msg.sample
โ”‚  โ”‚  โ”œโ”€ commit-msg.sample
โ”‚  โ”‚  โ”œโ”€ fsmonitor-watchman.sample
โ”‚  โ”‚  โ”œโ”€ post-update.sample
โ”‚  โ”‚  โ”œโ”€ pre-applypatch.sample
โ”‚  โ”‚  โ”œโ”€ pre-commit.sample
โ”‚  โ”‚  โ”œโ”€ pre-merge-commit.sample
โ”‚  โ”‚  โ”œโ”€ pre-push.sample
โ”‚  โ”‚  โ”œโ”€ pre-rebase.sample
โ”‚  โ”‚  โ”œโ”€ pre-receive.sample
โ”‚  โ”‚  โ”œโ”€ prepare-commit-msg.sample
โ”‚  โ”‚  โ”œโ”€ push-to-checkout.sample
โ”‚  โ”‚  โ””โ”€ update.sample
โ”‚  โ”œโ”€ index
โ”‚  โ”œโ”€ info
โ”‚  โ”‚  โ””โ”€ exclude
โ”‚  โ”œโ”€ logs
โ”‚  โ”‚  โ”œโ”€ HEAD
โ”‚  โ”‚  โ””โ”€ refs
โ”‚  โ”‚     โ”œโ”€ heads
โ”‚  โ”‚     โ”‚  โ””โ”€ Main
โ”‚  โ”‚     โ””โ”€ remotes
โ”‚  โ”‚        โ””โ”€ origin
โ”‚  โ”‚           โ”œโ”€ HEAD
โ”‚  โ”‚           โ””โ”€ Main
โ”‚  โ”œโ”€ objects
โ”‚  โ”‚  โ”œโ”€ 00
โ”‚  โ”‚  โ”‚  โ””โ”€ bc345a54f2f046809d80f4bac10509d4c63ad1
โ”‚  โ”‚  โ”œโ”€ 03
โ”‚  โ”‚  โ”‚  โ””โ”€ cfdbc88ac028f91731d1e3e1a01645e59e35df
โ”‚  โ”‚  โ”œโ”€ 04
โ”‚  โ”‚  โ”‚  โ””โ”€ 6dd759c19349a3f873c184dd68f1578dedaee4
โ”‚  โ”‚  โ”œโ”€ 0a
โ”‚  โ”‚  โ”‚  โ””โ”€ 912c96b1abc65b780ad4d797dff502ce3e6f99
โ”‚  โ”‚  โ”œโ”€ 0e
โ”‚  โ”‚  โ”‚  โ””โ”€ 19418f399b1dd77cb1ae16a71eea64c7c5a718
โ”‚  โ”‚  โ”œโ”€ 10
โ”‚  โ”‚  โ”‚  โ””โ”€ e9357c8d1436c99d0b67a8bb1f7ad21b3bbc14
โ”‚  โ”‚  โ”œโ”€ 16
โ”‚  โ”‚  โ”‚  โ””โ”€ 8141cea23aadcbc909a99bf3b4a1cc56a1589a
โ”‚  โ”‚  โ”œโ”€ 1a
โ”‚  โ”‚  โ”‚  โ”œโ”€ 0138ce80467fcc7d62151c1fa96075f89ec121
โ”‚  โ”‚  โ”‚  โ””โ”€ bc6aaea453ec0bef785a00d57bcfba52779e21
โ”‚  โ”‚  โ”œโ”€ 20
โ”‚  โ”‚  โ”‚  โ””โ”€ d300f098482086649c989628c3764f75f9e979
โ”‚  โ”‚  โ”œโ”€ 32
โ”‚  โ”‚  โ”‚  โ””โ”€ 89163bcb461a6f436f7ad28e3576aad51a9e67
โ”‚  โ”‚  โ”œโ”€ 33
โ”‚  โ”‚  โ”‚  โ””โ”€ 6457403fb96e0c3242a9115462e41f578f3457
โ”‚  โ”‚  โ”œโ”€ 36
โ”‚  โ”‚  โ”‚  โ””โ”€ 5e4be05478bcaad83d5279b14f05683354bb69
โ”‚  โ”‚  โ”œโ”€ 37
โ”‚  โ”‚  โ”‚  โ””โ”€ da7d6db6b3c11ded464191b84559c3061cc7b7
โ”‚  โ”‚  โ”œโ”€ 3e
โ”‚  โ”‚  โ”‚  โ””โ”€ bc1d7b151057ceafc4be7cfaeaa2d8680a4a4e
โ”‚  โ”‚  โ”œโ”€ 44
โ”‚  โ”‚  โ”‚  โ””โ”€ 6c26e37ff4fb343b6fb08dca7be176a2083f60
โ”‚  โ”‚  โ”œโ”€ 46
โ”‚  โ”‚  โ”‚  โ””โ”€ 6b8b185a15495f3e4d3c40f09eb714036d826b
โ”‚  โ”‚  โ”œโ”€ 4e
โ”‚  โ”‚  โ”‚  โ””โ”€ 5bba20c17769877a7f7ac2a8d7799083f6482a
โ”‚  โ”‚  โ”œโ”€ 4f
โ”‚  โ”‚  โ”‚  โ””โ”€ 0e2fe1e85db358475800ad3df44a3b8cf3c9af
โ”‚  โ”‚  โ”œโ”€ 51
โ”‚  โ”‚  โ”‚  โ””โ”€ 973055237895f2d23e65e015793fd302f4b9da
โ”‚  โ”‚  โ”œโ”€ 52
โ”‚  โ”‚  โ”‚  โ””โ”€ 8f30c71c687de473bbb506c071e902beba6cd9
โ”‚  โ”‚  โ”œโ”€ 56
โ”‚  โ”‚  โ”‚  โ””โ”€ c5d4b62ddcc88f121b257e1b9b5b69b1e4c6c2
โ”‚  โ”‚  โ”œโ”€ 59
โ”‚  โ”‚  โ”‚  โ””โ”€ 5013b6fe71dce3ca505b2d3e0ecf4429769a32
โ”‚  โ”‚  โ”œโ”€ 67
โ”‚  โ”‚  โ”‚  โ”œโ”€ 0c7e310c70863473ab1336ca79908b09f99710
โ”‚  โ”‚  โ”‚  โ””โ”€ 9b0676d57e169d2ba9e91ab47959d89c16e668
โ”‚  โ”‚  โ”œโ”€ 6a
โ”‚  โ”‚  โ”‚  โ””โ”€ f53205f71d1da9fa990071a33ec372a32c1e7e
โ”‚  โ”‚  โ”œโ”€ 77
โ”‚  โ”‚  โ”‚  โ””โ”€ 72691dd7fa1ce1dc77df874a9504bd11c7de69
โ”‚  โ”‚  โ”œโ”€ 80
โ”‚  โ”‚  โ”‚  โ””โ”€ e1fc86cfbe51ddb822ceba68d1e3bf28b83577
โ”‚  โ”‚  โ”œโ”€ 82
โ”‚  โ”‚  โ”‚  โ””โ”€ 63dc2cfca0db5b4f0c997782b82e3ad2346e55
โ”‚  โ”‚  โ”œโ”€ 83
โ”‚  โ”‚  โ”‚  โ””โ”€ 2436d55caf503686ecf0e2bad95d0495b68a20
โ”‚  โ”‚  โ”œโ”€ 85
โ”‚  โ”‚  โ”‚  โ””โ”€ 1ef1a6cbb479169f4884b108a52471fe98fa17
โ”‚  โ”‚  โ”œโ”€ 87
โ”‚  โ”‚  โ”‚  โ””โ”€ d42204c6472a42e146a50b4f769e37646cba21
โ”‚  โ”‚  โ”œโ”€ 8a
โ”‚  โ”‚  โ”‚  โ””โ”€ 675f9d0e6222f07020ed1e3bcf78971f8d0918
โ”‚  โ”‚  โ”œโ”€ 8b
โ”‚  โ”‚  โ”‚  โ””โ”€ 137891791fe96927ad78e64b0aad7bded08bdc
โ”‚  โ”‚  โ”œโ”€ 8e
โ”‚  โ”‚  โ”‚  โ””โ”€ 53cd38af6509a0fb531bbebdf5b0a7e0a54b39
โ”‚  โ”‚  โ”œโ”€ 8f
โ”‚  โ”‚  โ”‚  โ””โ”€ aa52748c81545ded4825e578a0e32fb660c7ee
โ”‚  โ”‚  โ”œโ”€ 94
โ”‚  โ”‚  โ”‚  โ””โ”€ 0c8da49d5d5dad94a83ace0460ffe9982f9f38
โ”‚  โ”‚  โ”œโ”€ 95
โ”‚  โ”‚  โ”‚  โ”œโ”€ 47a021f46190f879b2bc44996dfb262fbd7104
โ”‚  โ”‚  โ”‚  โ””โ”€ b90a756ca0899000558922ebacf8ae720db80c
โ”‚  โ”‚  โ”œโ”€ 96
โ”‚  โ”‚  โ”‚  โ””โ”€ c70e2515990ba5caf1ca0cfddfd1fa4bd5b1d5
โ”‚  โ”‚  โ”œโ”€ 97
โ”‚  โ”‚  โ”‚  โ””โ”€ 3bd4a36c603ac9ed2835b6d231738e24a4bb17
โ”‚  โ”‚  โ”œโ”€ 9c
โ”‚  โ”‚  โ”‚  โ””โ”€ 04d6a5543991582a637e832999838589619cd6
โ”‚  โ”‚  โ”œโ”€ 9e
โ”‚  โ”‚  โ”‚  โ””โ”€ 508e0f795a40bce7699c6b5aadfe7c45e7ebbf
โ”‚  โ”‚  โ”œโ”€ a0
โ”‚  โ”‚  โ”‚  โ””โ”€ 335f09406b9cc7ede0eecd37e6be0469aedfdb
โ”‚  โ”‚  โ”œโ”€ a5
โ”‚  โ”‚  โ”‚  โ””โ”€ 002a7b118411ffa2a1b8ee18d11df82b0a3429
โ”‚  โ”‚  โ”œโ”€ a8
โ”‚  โ”‚  โ”‚  โ””โ”€ b45acdbc9da98ae305ce6adebb5beb5bd71fbe
โ”‚  โ”‚  โ”œโ”€ ac
โ”‚  โ”‚  โ”‚  โ””โ”€ e602f7e36c8a529b1e539ef18346ad9e3a3002
โ”‚  โ”‚  โ”œโ”€ ae
โ”‚  โ”‚  โ”‚  โ””โ”€ 524a02c6f5127c15df7298b4590fc456d925e8
โ”‚  โ”‚  โ”œโ”€ bd
โ”‚  โ”‚  โ”‚  โ””โ”€ be0aaaca2633c072f23b1df395651d3f1423fd
โ”‚  โ”‚  โ”œโ”€ c4
โ”‚  โ”‚  โ”‚  โ””โ”€ a0e78de469eeacb7d2ab44fe22eb9172b70839
โ”‚  โ”‚  โ”œโ”€ c5
โ”‚  โ”‚  โ”‚  โ””โ”€ 5906b48c8345509ef637786d6df0d9d2399454
โ”‚  โ”‚  โ”œโ”€ c9
โ”‚  โ”‚  โ”‚  โ”œโ”€ 40d44642531845a6533d35e3d81ee1a7298b51
โ”‚  โ”‚  โ”‚  โ””โ”€ f706829d3c2602ce625d9bc6d8c9b560ca477e
โ”‚  โ”‚  โ”œโ”€ cb
โ”‚  โ”‚  โ”‚  โ””โ”€ 46f46d777f083d6a86e2e8de44e6c05ff5435d
โ”‚  โ”‚  โ”œโ”€ cd
โ”‚  โ”‚  โ”‚  โ””โ”€ 76fa93206b07ac587cccc041874c857326b8b8
โ”‚  โ”‚  โ”œโ”€ ce
โ”‚  โ”‚  โ”‚  โ””โ”€ a6e5b35dca2803d0f04724f86d593c3013749f
โ”‚  โ”‚  โ”œโ”€ d3
โ”‚  โ”‚  โ”‚  โ”œโ”€ 5725218cf40112cb3b9baa1cccdc815bf9aed6
โ”‚  โ”‚  โ”‚  โ””โ”€ 7929128aa8e46c737a443c15e5b693ac6d74cf
โ”‚  โ”‚  โ”œโ”€ d8
โ”‚  โ”‚  โ”‚  โ””โ”€ fc50121ab4a8155953a437f5c2f4ca37b67f10
โ”‚  โ”‚  โ”œโ”€ d9
โ”‚  โ”‚  โ”‚  โ””โ”€ f9e80667133c8fa2272d2e42c55c0a7e51b04f
โ”‚  โ”‚  โ”œโ”€ de
โ”‚  โ”‚  โ”‚  โ””โ”€ d07cf02b26d12a0eabefafea3a0a68321ac680
โ”‚  โ”‚  โ”œโ”€ e0
โ”‚  โ”‚  โ”‚  โ””โ”€ a8bf6509fea33cd8c0ef81cfc1d4b9a06af65a
โ”‚  โ”‚  โ”œโ”€ e6
โ”‚  โ”‚  โ”‚  โ””โ”€ 9de29bb2d1d6434b8b29ae775ad8c2e48c5391
โ”‚  โ”‚  โ”œโ”€ eb
โ”‚  โ”‚  โ”‚  โ””โ”€ a1a5a168acc75e870b2fa3524b89bc335de4f4
โ”‚  โ”‚  โ”œโ”€ ed
โ”‚  โ”‚  โ”‚  โ””โ”€ 131440f7d4c1337f602405847a0602cd9bed0b
โ”‚  โ”‚  โ”œโ”€ f1
โ”‚  โ”‚  โ”‚  โ”œโ”€ a62032fc58b4f4dcd8c834661834302b941db0
โ”‚  โ”‚  โ”‚  โ””โ”€ c10e2c63a8434b9fb82d99ea6df46eab4e46bc
โ”‚  โ”‚  โ”œโ”€ f6
โ”‚  โ”‚  โ”‚  โ””โ”€ 0dfc9bb7cfa10a682dfe3b649e5cdc60a589c2
โ”‚  โ”‚  โ”œโ”€ f7
โ”‚  โ”‚  โ”‚  โ””โ”€ fc05ac23bd9e9dd47e1996147c57ac2c1c284b
โ”‚  โ”‚  โ”œโ”€ f8
โ”‚  โ”‚  โ”‚  โ””โ”€ ffac95a134ae4b228002f78419b32c18b8a9cb
โ”‚  โ”‚  โ”œโ”€ f9
โ”‚  โ”‚  โ”‚  โ”œโ”€ 8a91efc57edcf6523cb4be804730b4bf3b1009
โ”‚  โ”‚  โ”‚  โ””โ”€ ee5259f595afde985a23bcc76d13342eddd9f1
โ”‚  โ”‚  โ”œโ”€ fa
โ”‚  โ”‚  โ”‚  โ””โ”€ 9c6bced702c47e1dc0b86f27d7dcd305c88e71
โ”‚  โ”‚  โ”œโ”€ fd
โ”‚  โ”‚  โ”‚  โ””โ”€ fa6213fe981ad7bb75f590d3df809b2cafd21a
โ”‚  โ”‚  โ”œโ”€ fe
โ”‚  โ”‚  โ”‚  โ””โ”€ 716230e46e509c463c9c6ffae96942bac6ee59
โ”‚  โ”‚  โ”œโ”€ ff
โ”‚  โ”‚  โ”‚  โ””โ”€ 8510af19b91ec61395975e831ce88af29b209e
โ”‚  โ”‚  โ”œโ”€ info
โ”‚  โ”‚  โ””โ”€ pack
โ”‚  โ”‚     โ”œโ”€ pack-2f5f0e3aced2966583e554c6a66a60c88540fc09.idx
โ”‚  โ”‚     โ””โ”€ pack-2f5f0e3aced2966583e554c6a66a60c88540fc09.pack
โ”‚  โ”œโ”€ packed-refs
โ”‚  โ””โ”€ refs
โ”‚     โ”œโ”€ heads
โ”‚     โ”‚  โ””โ”€ Main
โ”‚     โ”œโ”€ remotes
โ”‚     โ”‚  โ””โ”€ origin
โ”‚     โ”‚     โ”œโ”€ HEAD
โ”‚     โ”‚     โ””โ”€ Main
โ”‚     โ””โ”€ tags
โ”‚        โ”œโ”€ v1.0-dloc
โ”‚        โ”œโ”€ v1.0-merged
โ”‚        โ””โ”€ v1.0-nb
โ”œโ”€ .github
โ”‚  โ””โ”€ workflows
โ”‚     โ””โ”€ XGBoostCML.yaml
โ”œโ”€ .gitignore
โ”œโ”€ .vscode
โ”‚  โ””โ”€ settings.json
โ”œโ”€ LICENSE
โ”œโ”€ README.md
โ”œโ”€ models
โ”‚  โ””โ”€ dummy.txt
โ”œโ”€ notebooks
โ”‚  โ”œโ”€ gokada_eda.ipynb
โ”‚  โ””โ”€ gokada_merged_eda.ipynb
โ”œโ”€ screenshots
โ”‚  โ”œโ”€ DVC_file_tracking.png
โ”‚  โ”œโ”€ DVC_file_tracking_merged.png
โ”‚  โ””โ”€ driver_locations.png
โ”œโ”€ scripts
โ”‚  โ”œโ”€ __pycache__
โ”‚  โ”‚  โ””โ”€ access_drive_file.cpython-310.pyc
โ”‚  โ”œโ”€ add_to_sql.py
โ”‚  โ”œโ”€ dloc_schema.sql
โ”‚  โ””โ”€ nb_schema.sql
โ””โ”€ tests
   โ””โ”€ dummy.txt

Author

๐Ÿ‘ค Janerose Nyambura Njogu

Show your support

Give a โญ๏ธ if this project helped you!


This README was generated with โค๏ธ by readme-md-generator

logistics-optimization-causal-inference's People

Contributors

kaydeejr avatar

Stargazers

 avatar

Watchers

 avatar

logistics-optimization-causal-inference's Issues

perform EDA on the datasets

there are 2 datasets:

  1. completed orders
  2. client delivery requests (both completed and unfulfilled)

Jupyter notebook for each dataset.
datashader Python package

understand the business need

Learn the difference between causal inference and statistical inference
Read about causal inference and causal graphs
Create a Repo - edit ReadME, create folders

transform the data

so as to be able to calculate distance between an order and the driver location

perform feature engineering

create a Jupyter notebook for each dataset

  1. extract features - create more features using time, location and public data such as the weather, holidays, special occasions, traffic, hour of time, weekend/weekday etc.
  2. scale the extracted features

Which extra parameter is most relevant for order completion?

N/B: REMEMBER THE COMPANY IS LOCATED IN LAGOS, NIGERIA

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    ๐Ÿ–– Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. ๐Ÿ“Š๐Ÿ“ˆ๐ŸŽ‰

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google โค๏ธ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.