Zeitreihendaten plotten
Um die Käufe zu steigern, haben wir die Preise für unsere einführenden In-App-Käufe angepasst. In dieser Übung prüfst du, ob sich das auf die Anzahl der Käufe auswirkt, die kaufende Nutzer in ihrer ersten Woche tätigen.
Der Datensatz user_purchases wurde mit den demografischen Daten verknüpft und korrekt gefiltert. Die Spalte 'first_week_purchases', die bei einem Kauf in der ersten Woche 1 und sonst 0 ist, wurde hinzugefügt. Diese Spalte wird in die durchschnittliche Anzahl der Käufe pro Tag umgewandelt, die Nutzer in ihrer ersten Woche tätigen.
Wir wollen den Einfluss dieser Änderung sichtbar machen, indem wir ein Diagramm der Käufe wie in der Anleitung beschrieben betrachten.
Diese Übung ist Teil des Kurses
Customer Analytics und A/B-Testing mit Python
Anleitung zur Übung
Lies dir den gezeigten Code durch und verstehe ihn, und plote dann die Daten user_purchases mit 'reg_date' auf der x-Achse und 'first_week_purchases' auf der y-Achse.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Group the data and aggregate first_week_purchases
user_purchases = user_purchases.groupby(by=['reg_date', 'uid']).agg({'first_week_purchases': ['sum']})
# Reset the indexes
user_purchases.columns = user_purchases.columns.droplevel(level=1)
user_purchases.reset_index(inplace=True)
# Find the average number of purchases per day by first-week users
user_purchases = user_purchases.groupby(by=['reg_date']).agg({'first_week_purchases': ['mean']})
user_purchases.columns = user_purchases.columns.droplevel(level=1)
user_purchases.reset_index(inplace=True)
# Plot the results
user_purchases.plot(x=____, y=____)
plt.show()