Efectos de la aleatorización
La asignación aleatoria desempeña un papel fundamental en los A/B tests. Imagina que eres Data Scientist y estás configurando un experimento para probar cómo distintos diseños de la página de pago afectan a los indicadores de negocio.
Vas a seleccionar un porcentaje de usuarios para simular la incorporación aleatoria del tráfico al experimento y comprobar las distribuciones de ciertos atributos entre usuarios asignados aleatoriamente a cada grupo. Esto te permite verificar la capacidad de generalizar a toda la población de tráfico y aislar el impacto de la única variable que cambiamos entre grupos: el diseño de la página de pago.
El DataFrame checkout ya está cargado. Supón que cada fila del DataFrame corresponde a un usuario único que visitó la checkout_page correspondiente, junto con sus acciones y atributos adicionales.
Este ejercicio forma parte del curso
A/B Testing en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Determine the normalized distribution of browser counts
checkout['browser'].____(normalize = ____)