Rozkłady według CTR
Analizując pojedynczą cechę, warto przyjrzeć się zarówno jej rozkładowi, jak i temu, jak zmienia się w zależności od interesującej nas zmiennej. W tym ćwiczeniu zbadasz cechę search_engine_type, która reprezentuje liczbę całkowitą oznaczającą wyszukiwarkę – taką jak Google lub Bing – z której korzystał użytkownik przed wyświetleniem reklamy. Ze względów prywatności kategorie te są anonimowe. Najpierw zbudujesz i przeanalizujesz rozkład cechy search_engine_type. Następnie sprawdzisz, jak CTR zmienia się w zależności od wartości search_engine_type – podobnie jak w poprzednim rozdziale analizowałeś CTR według typu urządzenia i pozycji banera.
Dane przykładowe w postaci DataFrame są załadowane jako df. Biblioteka pandas jako pd jest również dostępna w środowisku pracy.
To ćwiczenie jest częścią kursu
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Construct bar chart for clicks by search engine type
se_df = df.____(['search_engine_type', 'click']).size().unstack()
se_df.plot(kind = 'bar', title = 'Value frequency for search engine type')
plt.show()