daily_purchase_data = df_merged. groupby[by=['date'], as_index=False] daily_purchase_data = daily_purchase_data. agg[{'thanh toán_xác nhận'. ['sum', 'count']}] daily_purchase_data. cột = daily_purchase_data. cột. droplevel[cấp=0] daily_purchase_data. cột = ['ngày', 'tổng', 'đếm'] Nam = df_merged[df_merged. giới tính == 'Nam'] Nữ = df_merged[df_merged. giới tính == 'Nữ'] Máy tính để bàn = df_merged[df_merged. thiết bị == 'Máy tính để bàn'] Di động = df_merged[df_merged. thiết bị == 'Di động'] Male_Desktop = Nam[Nam. thiết bị == 'Máy tính để bàn'] Male_Mobile = Nam[Nam. thiết bị == 'Di động'] Female_Desktop = Nữ[Nữ. thiết bị == 'Máy tính để bàn'] Female_Mobile = Nữ[Nữ. thiết bị == 'Di động'] Male_daily_purchase_data = Nam. groupby[by=['date'], as_index=False] Male_daily_purchase_data = Male_daily_purchase_data. agg[{'thanh toán_xác nhận'. ['sum', 'count']}] Male_daily_purchase_data. cột = Male_daily_purchase_data. cột. droplevel[cấp=0] Male_daily_purchase_data. cột = ['ngày', 'tổng', 'đếm'] Female_daily_purchase_data = Nữ. groupby[by=['date'], as_index=False] Female_daily_purchase_data = Female_daily_purchase_data. agg[{'thanh toán_xác nhận'. ['sum', 'count']}] Female_daily_purchase_data. cột = Female_daily_purchase_data. cột. droplevel[cấp=0] Female_daily_purchase_data. cột = ['ngày', 'tổng', 'đếm'] Desktop_daily_purchase_data = Máy tính để bàn. groupby[by=['date'], as_index=False] Desktop_daily_purchase_data = Desktop_daily_purchase_data. agg[{'thanh toán_xác nhận'. ['sum', 'count']}] Desktop_daily_purchase_data. cột = Desktop_daily_purchase_data. cột. droplevel[level=0] Desktop_daily_purchase_data. cột = ['ngày', 'tổng', 'đếm'] Mobile_daily_purchase_data = Di động. groupby[by=['date'], as_index=False] Mobile_daily_purchase_data = Mobile_daily_purchase_data. agg[{'thanh toán_xác nhận'. ['sum', 'count']}] Mobile_daily_purchase_data. cột = Mobile_daily_purchase_data. cột. droplevel[level=0] Mobile_daily_purchase_data. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_data = df_merged. groupby[by=['date'], as_index=False] daily_visitor_data = daily_visitor_data. agg[{'home_page'. ['sum', 'count']}] daily_visitor_data. cột = daily_visitor_data. cột. droplevel[level=0] daily_visitor_data. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Male = Nam. groupby[by=['date'], as_index=False] daily_visitor_Male = daily_visitor_Male. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Male. cột = daily_visitor_Male. cột. droplevel[cấp=0] daily_visitor_Male. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Female = Nữ. groupby[by=['date'], as_index=False] daily_visitor_Female = daily_visitor_Female. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Female. cột = daily_visitor_Female. cột. droplevel[level=0] daily_visitor_Female. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Desktop = Máy tính để bàn. groupby[by=['date'], as_index=False] daily_visitor_Desktop = daily_visitor_Desktop. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Desktop. cột = daily_visitor_Desktop. cột. droplevel[level=0] daily_visitor_Desktop. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Mobile = Di động. groupby[by=['date'], as_index=False] daily_visitor_Mobile = daily_visitor_Mobile. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Mobile. cột = daily_visitor_Mobile. cột. droplevel[level=0] daily_visitor_Mobile. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Mobile_Female = Female_Mobile. groupby[by=['date'], as_index=False] daily_visitor_Mobile_Female = daily_visitor_Mobile_Female. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Mobile_Female. cột = daily_visitor_Mobile_Female. cột. droplevel[level=0] daily_visitor_Mobile_Female. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Desktop_Female = Female_Desktop. groupby[by=['date'], as_index=False] daily_visitor_Desktop_Female = daily_visitor_Desktop_Female. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Desktop_Female. cột = daily_visitor_Desktop_Female. cột. droplevel[level=0] daily_visitor_Desktop_Female. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Mobile_Male = Male_Mobile. groupby[by=['date'], as_index=False] daily_visitor_Mobile_Male = daily_visitor_Mobile_Male. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Mobile_Male. cột = daily_visitor_Mobile_Male. cột. droplevel[level=0] daily_visitor_Mobile_Male. cột = ['ngày', 'tổng', 'đếm'] daily_visitor_Desktop_Male = Male_Desktop. groupby[by=['date'], as_index=False] daily_visitor_Desktop_Male = daily_visitor_Desktop_Male. agg[{'home_page'. ['sum', 'count']}] daily_visitor_Desktop_Male. cột = daily_visitor_Desktop_Male. cột. droplevel[level=0] daily_visitor_Desktop_Male. cột = ['ngày', 'tổng', 'đếm']
Máy tính cỡ mẫu thử nghiệm AB. Tính toán thông qua SciPy cơ bản. stats, ứng dụng web được xây dựng bằng Streamlit và được lưu trữ trên Heroku
Xem trực tiếp tại đây
Xem thêm máy tính ý nghĩa bài kiểm tra AB của tôi
Mục lục
- Bắt đầu
- triển khai
- được xây dựng với
- Đặc trưng
- Giấy phép
Bắt đầu
Các hướng dẫn này sẽ cung cấp cho bạn một bản sao của dự án và chạy trên máy cục bộ của bạn cho mục đích phát triển và thử nghiệm. Xem triển khai để biết các lưu ý về cách triển khai dự án trên hệ thống trực tiếp
cài đặt
Kho lưu trữ bản sao
Sao chép/rẽ nhánh repo vào máy cục bộ của bạn
Sau đó, nên sử dụng môi trường ảo để cài đặt các phụ thuộc bằng cách sử dụng các yêu cầu. tập tin txt
pip install -r requirements.txt
Với những cài đặt này, bạn chỉ cần chạy
streamlit run app.py
docker
Ngoài ra, với Docker, sử dụng lệnh sau rồi điều hướng đến localhost
docker run -dp 80:8080 ryanfox212/samplesize
triển khai
Tôi đã sử dụng bậc miễn phí của Heroku để lưu trữ ứng dụng web. Để làm điều tương tự, hãy tạo một dự án trên trang web của Heroku và sau đó tôi khuyên bạn nên liên kết dự án với kho lưu trữ Github trong phần Triển khai
Ngoài ra, bạn có thể sử dụng Heroku CLI. Với điều kiện bạn đã tạo một dự án trên trang web, hãy sử dụng
heroku git:remote -a [project-name]
git push heroku master
Sử dụng cùng tên dự án với tên dự án bạn đã tạo. Nếu thành công, bạn có thể chuyển sang //[project-name].herokuapp.com/
được xây dựng với
- Streamlit - Khung ứng dụng web được sử dụng
- SciPy - Đối với các phương pháp thống kê
- Seaborn - Dành cho trực quan hóa
- Heroku - Nền tảng đám mây dùng để triển khai
Đặc trưng
đầu vào tối thiểu
Máy tính yêu cầu các quan sát và chuyển đổi hàng ngày cũng như số lượng biến thể mà bạn muốn kiểm tra
đầu vào tùy chọn
- giá trị kinh doanh
- mức ý nghĩa [1-alpha]
- Sức mạnh thống kê
- thời gian chạy tối đa
đầu ra hữu ích
Một ngoại lệ đáng chú ý từ các đầu vào có thể có là hiệu ứng tối thiểu có thể phát hiện được mà bạn hy vọng đạt được thông qua thay đổi đã thực hiện. Thay vào đó, máy tính cỡ mẫu này đưa ra một loạt MDE dựa trên thời gian bạn chạy thử nghiệm
Cá nhân tôi thấy dạng đầu ra này hữu ích hơn khi vạch ra các bài kiểm tra để hiểu mức độ chính xác có thể đạt được
Số lượng khách truy cập tôi cần trong thử nghiệm của mình để đạt được mẫu yêu cầu không cho tôi biết nhiều lắm. Con số này liên quan đến mức lưu lượng truy cập của tôi cung cấp cho tôi thông tin tôi cần
Hiểu tác động kinh doanh
Việc thêm giá trị kinh doanh của một chuyển đổi giúp hiểu được lợi ích/rủi ro tiềm ẩn đằng sau thay đổi là gì
Làm cách nào để tính kích thước mẫu trong Python?
Để tính kích thước mẫu, chúng tôi cần cung cấp kích thước hiệu ứng, alpha và giá trị công suất . Kích thước hiệu ứng đề cập đến kích thước hiệu ứng được tiêu chuẩn hóa. Sự khác biệt giữa giá trị trung bình của nhóm can thiệp và kiểm soát được chia cho độ lệch chuẩn gộp. Giá trị effect_size cần phải là một số dương.
Làm cách nào để triển khai thử nghiệm ab trong Python?
Triển khai Thử nghiệm A/B bằng Python .
Thả người dùng tiếp xúc với trang đích sai
Nhập thông số kiểm tra và kiểm tra kích thước mẫu
Tính xác suất gộp
Mức ý nghĩa kiểm định
Kiểm tra xem có nên từ chối giả thuyết không