Em testes A/B, a atribuição de usuários aos grupos de controle e variante de forma equilibrada e imparcial é essencial para resultados confiáveis. Se os grupos diferirem sistematicamente em características dos usuários – como idade, localização ou comportamento – qualquer efeito observado pode ser resultado dessas diferenças, e não da alteração testada. **Randomização** garante que cada usuário tenha a mesma chance de ser atribuído a qualquer grupo, minimizando vieses e ajudando a criar grupos comparáveis.

Para verificar o equilíbrio, é possível comparar as distribuições das características dos usuários entre os grupos após a atribuição. Idealmente, ambos os grupos devem apresentar médias e proporções semelhantes para variáveis importantes. Caso não estejam equilibrados, isso pode indicar uma falha no processo de randomização ou a presença de variáveis de confusão. Atribuição cuidadosa e verificação de equilíbrio ajudam a garantir a validade das conclusões do teste A/B.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import pandas as pd
import numpy as np
import importlib
import sys

class TestTask(unittest.TestCase):
    def setUp(self):
        self.users = pd.DataFrame({
            'user_id': [101, 102, 103, 104, 105, 106, 107, 108],
            'age': [23, 45, 31, 29, 40, 22, 30, 27],
            'location': ['NY', 'CA', 'TX', 'NY', 'CA', 'TX', 'NY', 'CA']
        })

    def test_group_column_exists_and_valid(self):
        import user_code
        importlib.reload(user_code)
        df = user_code.assign_groups(self.users)
        _dynamic_test(
            self,
            'group' in df.columns,
            "Returned DataFrame includes a 'group' column.",
            "Returned DataFrame does not have a 'group' column."
        )
        valid = set(df['group'].unique()) <= {'control', 'variant'}
        _dynamic_test(
            self,
            valid,
            "All group assignments are either 'control' or 'variant'.",
            f"Group assignments must be only 'control' or 'variant', got: {set(df['group'].unique())}"
        )

    def test_each_user_one_group(self):
        import user_code
        importlib.reload(user_code)
        df = user_code.assign_groups(self.users)
        counts = df.groupby('user_id')['group'].nunique().values
        _dynamic_test(
            self,
            all(c == 1 for c in counts),
            "Each user is assigned to exactly one group.",
            f"Some users assigned to multiple groups: group counts: {counts}"
        )

    def test_assignment_is_random_and_balanced(self):
        import user_code
        # Run multiple times to check for randomness
        group_counts = []
        for _ in range(20):
            importlib.reload(user_code)
            df = user_code.assign_groups(self.users)
            counts = df['group'].value_counts()
            group_counts.append(counts)
        # Check that both groups appear in all runs
        for counts in group_counts:
            _dynamic_test(
                self,
                'control' in counts and 'variant' in counts,
                "Both groups are assigned in each run.",
                f"One of the groups is missing in assignment: {counts.to_dict()}"
            )
        # Check that distribution is approximately even
        diffs = [abs(counts.get('control',0) - counts.get('variant',0)) for counts in group_counts]
        _dynamic_test(
            self,
            all(d <= 4 for d in diffs),
            "Assignment is approximately balanced for 8 users.",
            f"Assignment is not balanced enough: diffs={diffs}"
        )

    def test_original_dataframe_not_modified(self):
        import user_code
        importlib.reload(user_code)
        orig = self.users.copy()
        _ = user_code.assign_groups(self.users)
        _dynamic_test(
            self,
            self.users.equals(orig),
            "Original DataFrame is not modified.",
            "Original DataFrame was changed after function call."
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Domine a arte e a ciência dos testes A/B utilizando Python. Este curso aborda os fundamentos estatísticos, o design de experimentos e a implementação prática de testes A/B, com forte ênfase em prática e cenários do mundo real. Aprenda a analisar resultados, evitar erros comuns e comunicar descobertas de forma eficaz.

Explore os conceitos essenciais de testes A/B — desde a terminologia fundamental e o método científico até fluxos de trabalho práticos utilizados em tecnologia e marketing. Esta seção oferece uma base abrangente, incluindo o contexto histórico, a justificativa para experimentação e o vocabulário essencial necessário para uma comunicação eficaz em ambientes orientados por dados.

Domine as habilidades necessárias para projetar testes A/B robustos: desde a formulação de hipóteses e randomização até o cálculo do tamanho da amostra e a seleção de métricas. Esta seção aborda em detalhes a criação de hipóteses, randomização, determinação do tamanho da amostra e seleção de métricas, com exemplos práticos e exercícios aplicados.

Mergulhe nos conceitos estatísticos que fundamentam o A/B testing, incluindo significância, valores de p, tipos de erro e intervalos de confiança. Esta seção oferece explicações detalhadas, exemplos práticos de código e exercícios práticos para consolidar seu entendimento.

Mergulhe nos fundamentos da análise prática de testes A/B — simule dados, interprete resultados, crie visualizações envolventes e comunique descobertas para as partes interessadas. Aprenda a comunicar resultados de forma eficaz, criar visualizações impactantes e evitar armadilhas comuns na interpretação.

Desafio: Atribuição de Usuários a Grupos

Solução