SRM
当我们按每个版本的既定百分比分配实验的入组单元（例如用户）时，预期会因为日志问题、延迟、轻微的埋点缺陷等出现一些细小波动。不过，一旦偏差超过合理范围，通常意味着存在更严重的问题，可能会使测试结果失效并产生偏倚。本练习的目标是学习统计方法，帮助您识别那些不能仅用随机性来解释的分配不匹配情况。
作为一名分析工程师，您的工作可能需要设计，甚至自动化 A/B 测试中的样本比例不匹配（SRM）监测框架。本题已为您加载了 checkout DataFrame，以及 pandas 和 numpy 库。我们将把 checkout 设计为 'A' 的组视为对照组，'B' 的组视为处理组。
本练习是课程的一部分
Python 中的 A/B 测试
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)