This video provides a walkthrough of the challenge requirements for this chapter. You will learn how to create a cohort retention matrix using Python and visualize it to reveal user retention patterns over time. The video also guides you through interpreting the matrix and summarizing key business insights that can be derived from your analysis, helping you translate cohort data into actionable recommendations for business strategy.

I denna utmaning ska du tillämpa dina kunskaper om kohortanalys genom att skapa en retentionsmatris och tolka resultaten för att få fram handlingsbara affärsinsikter. Börja med att skapa en kohortretentionsmatris med hjälp av dina förberedda kohortdata. Visualisera matrisen för att tydligt visa retentionsgrader över tid för varje kohort, med lämpliga Python-bibliotek. Efter att ha genererat visualiseringen, analysera mönstren och sammanfatta de viktigaste affärsinsikterna du observerar – såsom trender i användarretention, perioder av avhopp eller skillnader mellan kohorter. Din sammanfattning ska lyfta fram minst två handlingsbara rekommendationer som ett företag kan implementera baserat på de kohortretentionstrender som visas i din matris.


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
import io
from contextlib import redirect_stdout

class TestTask(unittest.TestCase):
    def setUp(self):
        self.data = {
            'user_id': [1,1,2,2,3,4,5,6,7,7,8,9],
            'cohort_month': ['2023-01','2023-02','2023-01','2023-02','2023-02','2023-02','2023-03','2023-03','2023-03','2023-03','2023-03','2023-03'],
            'activity_month': ['2023-01','2023-02','2023-02','2023-03','2023-02','2023-03','2023-03','2023-04','2023-03','2023-04','2023-04','2023-04']
        }
        self.df = pd.DataFrame(self.data)

    def test_generate_retention_matrix_structure_and_values(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, 'generate_retention_matrix', None)
        _dynamic_test(
            self,
            callable(func),
            'generate_retention_matrix is defined',
            'generate_retention_matrix is not defined',
        )
        retention = func(self.df)
        _dynamic_test(
            self,
            isinstance(retention, pd.DataFrame),
            'generate_retention_matrix returns a DataFrame',
            f'generate_retention_matrix did not return a DataFrame, got {type(retention)}',
        )
        # Check that all values are between 0 and 1
        all_values = retention.values.flatten()
        _dynamic_test(
            self,
            np.all((all_values >= 0) & (all_values <= 1)),
            'All retention rates are between 0 and 1',
            f'Some retention rates are outside [0,1]: {all_values}',
        )

    def test_plot_retention_matrix_heatmap(self):
        import user_code
        importlib.reload(user_code)
        func_matrix = getattr(user_code, 'generate_retention_matrix', None)
        func_plot = getattr(user_code, 'plot_retention_matrix', None)
        retention = func_matrix(self.df)
        _dynamic_test(
            self,
            callable(func_plot),
            'plot_retention_matrix is defined',
            'plot_retention_matrix is not defined',
        )
        # Suppress actual plot display for testing
        import matplotlib
        matplotlib.use('Agg')
        try:
            func_plot(retention)
            _dynamic_test(
                self,
                True,
                'plot_retention_matrix runs without error',
                'plot_retention_matrix raised an error',
            )
        except Exception as e:
            _dynamic_test(
                self,
                False,
                '',
                f'plot_retention_matrix raised an exception: {e}',
            )

    

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

Behärska kohortanalystekniker med Python. Denna kurs täcker strukturering av kohortdata, avancerad segmentering, retentionsanalys och handlingsbara affärsinsikter, med praktiska utmaningar i varje avsnitt.

Lär dig hur du strukturerar, förbehandlar och förbereder data för avancerad kohortanalys, inklusive kohorttilldelning och feature engineering.

Fördjupa dig i avancerade segmenteringsstrategier och beräkningar av retentionsmått för att upptäcka djupare insikter från kohortdata.

Visualisera kohortdata och extrahera handlingsbara affärsinsikter med hjälp av avancerade plottningstekniker och tolkning.

Utmaning: Kohortvisualisering och Insikter

Lösning