Oppiskele Challenge: Mapping the Lifecycle of a SpaceStream Explorer | Edistynyt kohorttien segmentointi ja säilyttämismetriikat

Osio 2. Luku 3

single

Pyyhkäise näyttääksesi valikon

Tehtävänäsi on nyt laskea edistyneitä pysyvyysmittareita SpaceStreamille, galaktiselle holovisio-palvelulle. Pääanalyytikkona analysoit viiden käyttäjän kohorttia kolmen kuukauden ajalta, seuraten ketkä pysyvät uskollisina ja ketkä siirtyvät pois. Tavoitteena on laskea kolme keskeistä mittaria jokaiselle kuukaudelle: pysyvyysaste (Retention Rate), poistuma-aste (Churn Rate) ja selviytymisaste (Survival Rate).

Aloita tarkastelemalla annettua aineistoa, jossa jokainen käyttäjä on merkitty aktiiviseksi (1) tai epäaktiiviseksi (0) kullekin kuukaudelle. Sarakkeet month_0, month_1 ja month_2 kuvaavat aktiivisuutta kolmen peräkkäisen kuukauden aikana. Ratkaisusi vaatii pandas-kirjaston käyttöä tämän aineiston käsittelyyn ja tarvittavien mittareiden laskemiseen jokaiselle kuukaudelle.


              1234567891011121314151617181920212223242526
            
import pandas as pd

data = {
    "user_id": [1, 2, 3, 4, 5],
    "month_0": [1, 1, 1, 1, 1],  # Everyone starts active
    "month_1": [1, 0, 1, 0, 1],  # 3 users active
    "month_2": [1, 0, 0, 0, 0],  # 1 user active
}
df = pd.DataFrame(data)

# Calculating retention rate: fraction of original cohort active in each month
cohort_size = len(df)
retention_rate = [df[f"month_{i}"].sum() / cohort_size for i in range(3)]

# Calculating churn rate: 1 - retention rate
churn_rate = [1 - r for r in retention_rate]

# Calculating survival rate: fraction of users still active in ALL months up to i
survival_rate = []
for i in range(3):
    still_active = df[[f"month_{j}" for j in range(i + 1)]].all(axis=1).sum()
    survival_rate.append(still_active / cohort_size)

print("retention_rate:", retention_rate)
print("churn_rate:", churn_rate)
print("survival_rate:", survival_rate)

Tämä koodi laskee vaaditut mittarit jokaiselle kuukaudelle. Pysyvyysaste mittaa, kuinka suuri osa alkuperäisestä kohortista on aktiivinen kyseisenä kuukautena. Poistuma-aste on yksinkertaisesti yksi miinus pysyvyysaste, eli se kertoo kuinka suuri osa ei enää ole aktiivinen. Selviytymisaste tarkistaa käyttäjät, jotka ovat pysyneet jatkuvasti aktiivisina alusta kyseiseen kuukauteen asti – käyttäjällä täytyy siis olla 1 jokaisessa kuukaudessa tähän asti.

Tehtävä

Pyyhkäise aloittaaksesi koodauksen

Kirjoita Python-funktio nimeltä calculate_cohort_metrics(df), joka ottaa syötteenä DataFrame-taulukon yllä kuvatulla rakenteella ja palauttaa kolme listaa: retention_rate, churn_rate ja survival_rate jokaiselle kuukaudelle. Funktion tulee:

Hyväksyä DataFrame, jossa jokainen rivi on käyttäjä ja jokainen sarake user_id-tunnisteen jälkeen on kuukausi (esim. month_0, month_1, ...).
Laskea retention rate eli säilyttämisaste jokaiselle kuukaudelle jakamalla kyseisen kuukauden aktiivisten käyttäjien määrä kohortin käyttäjien kokonaismäärällä.
Laskea churn rate eli poistuma-aste jokaiselle kuukaudelle laskemalla yksi miinus retention rate.
Laskea survival rate eli säilymisaste jokaiselle kuukaudelle jakamalla niiden käyttäjien määrä, jotka ovat olleet aktiivisia kaikissa kyseiseen kuukauteen asti (mukaan lukien) aktiivisissa kuukausissa, kohortin käyttäjien kokonaismäärällä.
Palauttaa kolme listaa järjestyksessä: retention_rate, churn_rate, survival_rate.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 3

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme