Tracer des données de séries temporelles
Pour stimuler les achats, nous avons modifié nos prix d’achat intégrés pour la phase d’introduction. Dans cet exercice, vous allez vérifier si cela a un impact sur le nombre d’achats effectués par les utilisateurs acheteurs durant leur première semaine.
Le jeu de données user_purchases a été joint aux données démographiques et correctement filtré. La colonne 'first_week_purchases', qui vaut 1 pour un achat en première semaine et 0 sinon, a été ajoutée. Cette colonne est convertie en nombre moyen d’achats par jour effectués par les utilisateurs au cours de leur première semaine.
Nous allons tenter d’évaluer l’impact de ce changement en observant un graphique des achats, comme décrit dans les instructions.
Cet exercice fait partie du cours
Analytics client et A/B Testing en Python
Instructions
Lisez et comprenez le code affiché, puis tracez les données user_purchases avec 'reg_date' sur l’axe des abscisses et 'first_week_purchases' sur l’axe des ordonnées.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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()