定义函数用来读取price数据、calendar数据以及最关键的包含销量的train数据，读取数据时候直接指定好数据类型（尤其是category类型），三个for循环，分别将三个表中的category类型编码为从0开始的数值。导入数据的create_train_data函数已经完成label_encoding，把category类型转换成从0编码的数值。对于未来的28天，每次预测一天的值，记录到t

读取sample_submission文件，再逐个读取test文件，跟train文件用相同方式做处理，保证有同样的特征用于做预测。用五折交叉验证得到的五个模型，分别对测试集进行预测，结果拼接在一起再做平均，得到每个test文件的预测值dataframe。此篇代码可以跑通，但是缺少特征工程以及模型调参，因此结果不算理想，可以作为baseline代码，在此基础上进行迭代，补充以下的特征工程和提交思路，

读取sample_submission文件，再逐个读取test文件，跟train文件用相同方式做处理，保证有同样的特征用于做预测。用五折交叉验证得到的五个模型，分别对测试集进行预测，结果拼接在一起再做平均，得到每个test文件的预测值dataframe。此篇代码可以跑通，但是缺少特征工程以及模型调参，因此结果不算理想，可以作为baseline代码，在此基础上进行迭代，补充以下的特征工程和提交思路，

注(1)：此函数既可以作用于train（train = create_features(df_train,df_client,df_weather_f)），又可以改变参数作用于test（df_test = create_features(test,client_test,forecast_weather_test,False, previous_revealed_targets=previous_