Rappresentare dati di serie temporali
Per aumentare gli acquisti, abbiamo apportato alcune modifiche ai prezzi degli acquisti in-app introduttivi. In questo esercizio, verificherai se questo sta avendo un impatto sul numero di acquisti effettuati dagli utenti acquirenti durante la loro prima settimana.
Il dataset user_purchases è stato unito ai dati demografici e filtrato correttamente. È stata aggiunta la colonna 'first_week_purchases', pari a 1 in caso di acquisto nella prima settimana e a 0 altrimenti. Questa colonna viene convertita nel numero medio di acquisti al giorno effettuati dagli utenti nella loro prima settimana.
Cercheremo di osservare l’impatto di questa modifica guardando un grafico degli acquisti come descritto nelle istruzioni.
Questo esercizio fa parte del corso
Customer Analytics and A/B Testing in Python
Istruzioni dell'esercizio
Leggi e comprendi il codice mostrato, quindi traccia i dati di user_purchases con 'reg_date' sull’asse x e 'first_week_purchases' sull’asse y.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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()