प्रोपोर्शन के लिए सैंपल साइज
वास्तविक डेटासेट अक्सर बिखरे हुए होते हैं। एक Analytics Engineer के रूप में, जब आप वास्तविक दुनिया के डेटा पर काम करते हैं, तो कई बार डेटा में variance इतना अधिक होता है कि मैट्रिक्स में अर्थपूर्ण अंतर पकड़ पाना मुश्किल हो जाता है। ऐसा मुद्दा निरंतर (continuous) मैट्रिक्स के साथ अधिक देखने को मिलता है, जैसे पिछले अभ्यास में औसत ऑर्डर वैल्यू। इसे संभालने के कई तरीके हैं, जिनमें से एक workaround यह है कि ऐसा मैट्रिक चुनें जिसका variance कम हो लेकिन बिज़नेस गोल्स के साथ संरेखित रहे।
यहाँ आप एक बाइनरी मैट्रिक के लिए सैंपल साइज निकालेंगे: signup rate, जो यह दर्शाता है कि यूज़र ने सर्विस के लिए साइन अप किया या नहीं; इसके विपरीत paid price यूज़र्स के बीच अधिक बदल सकता है। homepage DataFrame और pandas, numpy लाइब्रेरी पहले से लोड हैं, साथ ही statsmodels.stats.proportion से proportion_effectsize और statsmodels.stats से power भी उपलब्ध हैं।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में A/B Testing
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Calculate the baseline signup rate for group A
p_A = ____
print('Group A mean signup rate:', ____)