比較轉換率

既然我們知道分配大致平均，接下來就來看 control 與 personalization 的轉換率。因為我們把轉換率作為本次測試的關鍵指標，所以評估 personalization 組的轉換是否高於 control 組非常重要。儘管之後的練習會更深入探討，但衡量 control 與 treatment 之間關鍵指標的差異，是評估 A/B 測試是否成功的最重要步驟。

工作環境中已載入 email 這個 DataFrame，它只包含 marketing DataFrame 中 marketing_channel 為 'Email' 的列。

本練習屬於課程

使用 pandas 分析行銷活動

檢視課程

練習說明

以 user_id 和 variant 分組 email DataFrame，並選取 converted 欄位的最大值；將結果儲存為 subscribers。
從 subscribers_df 的 control 欄位移除遺漏值。
從 subscribers_df 的 personalization 欄位移除遺漏值。
使用合適的函式分別計算 personalization 與 control 的轉換率。

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。

# Group marketing by user_id and variant
subscribers = email.____(['user_id', 
                             ____])____
subscribers_df = pd.DataFrame(subscribers.unstack(level=1)) 

# Drop missing values from the control column
control = ____

# Drop missing values from the personalization column
personalization = ____

print('Control conversion rate:', ____)
print('Personalization conversion rate:', ____)

編輯並執行程式碼