SRM
Bir deneyi, her varyanta belirli bir yüzdeyle katılımcı birimleri (ör. kullanıcılar) atayacak şekilde tasarladığımızda, günlükleme sorunları, gecikmeler, küçük enstrümantasyon hataları vb. nedenlerle ufak farklılıklar olmasını bekleriz. Ancak bu sapma beklenenden büyük olduğunda, bu genellikle test sonuçlarımızı geçersiz kılabilecek ve önyargıya yol açabilecek daha büyük bir sorunun işareti olur. Bu egzersizin amacı, yalnızca şansla açıklanamayacak kadar büyük atama uyumsuzluklarını yakalamana olanak tanıyan istatistiksel teknikleri incelemektir.
Bir analytics mühendisi olarak rolün, A/B testlerinde örnek oranı uyumsuzluklarını yakalamak için çerçeveler tasarlamayı ve hatta otomatikleştirmeyi gerektirebilir. checkout DataFrame’i senin için, pandas ve numpy kütüphaneleriyle birlikte yüklendi. Kontrol grubunu checkout tasarım 'A', tedavi grubunu ise 'B' olarak ele alalım.
Bu egzersiz
Python ile A/B Testi
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Assign the unqiue counts to each variant
control_users = ____
treatment_users = ____
total_users = ____ + ____
print("Control unique users:",control_users)
print("Control unique users:",treatment_users)