Nutzerpräferenzen analysieren

Um die tatsächliche Auswirkung des Bugs zu verstehen, ist es entscheidend zu bestimmen, wie viele Abonnentinnen und Abonnenten wir erwartet hätten, wenn es keinen Sprachfehler gegeben hätte. Das ist wichtig, um das Ausmaß des Problems zu verstehen und wie bedeutsam es ist, solche Fehler künftig zu verhindern.

In diesem Schritt erstellst du ein neues DataFrame, auf dem du Berechnungen durchführen kannst, um die erwartete Zahl an Abonnierenden zu bestimmen. Dieses DataFrame enthält, wie viele Nutzerinnen und Nutzer an jedem Tag jede Sprache bevorzugen. Sobald du das DataFrame hast, kannst du beginnen zu berechnen, wie viele Abonnierende du ohne den Sprach-Bug erwartet hättest.

Diese Übung ist Teil des Kurses

Marketingkampagnen mit pandas analysieren

Kurs anzeigen

Anleitung zur Übung

Fasse house_ads nach date_served und language_preferred zusammen.
Verwende ein Dictionary in einem Aufruf von .agg(), um die Anzahl eindeutiger Nutzer zu berechnen und die Anzahl konvertierter Nutzer zu summieren.
Führe für converted ein Unstacking mit level = 1 durch

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Group house_ads by date and language
converted = house_ads.groupby(____)\
                        .agg({'____':'____',
                              '____':'____'})

# Unstack converted
converted_df = pd.DataFrame(____.____(____))

Code bearbeiten und ausführen