Tijdreeksgegevens plotten
Om aankopen te stimuleren, hebben we wat wijzigingen aangebracht in onze introductieprijs voor in-app aankopen. In deze oefening ga je na of dit invloed heeft op het aantal aankopen dat gebruikers doen in hun eerste week.
De gegevensset user_purchases is samengevoegd met de demografische gegevens en correct gefilterd. De kolom 'first_week_purchases', die 1 is bij een aankoop in de eerste week en anders 0, is toegevoegd. Deze kolom is omgezet naar het gemiddelde aantal aankopen per dag door gebruikers in hun eerste week.
We proberen het effect van deze wijziging te bekijken aan de hand van een grafiek van de aankopen, zoals beschreven in de instructies.
Deze oefening maakt deel uit van de cursus
Customer Analytics and A/B Testing in Python
Oefeninstructies
Lees de getoonde code goed door en plot vervolgens de user_purchases-gegevens met 'reg_date' op de x-as en 'first_week_purchases' op de y-as.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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()