辛普森悖論的實際案例
將 A/B 測試結果推廣到不同族群，對商業決策往往非常重要。有時你會希望省下在不同城市或不同裝置上再做測試的成本。若能確保在各子族群中的結果一致，就能更有把握做這類推論。
請檢視 simp_balanced 與 simp_imbalanced 這兩個資料集中的辛普森悖論，深入了解這種現象如何在 A/B 測試情境中發生。
本練習屬於課程
Python 的 A/B 測試
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Calculate the conversion rate per variant and then browser
imbalanced_variant_rate = simp_imbalanced.____('____')['____'].____()
imbalanced_variant_browser_rate = simp_imbalanced.____(['____','____'])['____'].____()
print(imbalanced_variant_rate)
print(imbalanced_variant_browser_rate)