辛普森悖论的现场示例
将我们的 A/B 测试结果外推到不同的人群细分，对业务往往至关重要。有时我们希望节省在不同城市、不同设备等场景下再次运行测试的成本。确保结果在各个子人群中保持一致，能提升我们进行这种泛化的信心。
请检查 simp_balanced 和 simp_imbalanced 两个数据集中的辛普森悖论，以更直观地理解这种现象在 A/B 测试中是如何发生的。
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。
# 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)