در این مطلب، ویدئو آموزش پایتون: تجزیه و تحلیل اکتشافی KPI با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:03:30
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,120 –> 00:00:03,520
کار عالی روی تمرینات،
2
00:00:03,520 –> 00:00:06,000
بیایید از جایی که کار را متوقف کردیم ادامه دهیم،
3
00:00:06,000 –> 00:00:07,520
میخواهیم تعیین کنیم که کدام
4
00:00:07,520 –> 00:00:10,080
معیار نرخ تبدیل مناسبترین است.
5
00:00:10,080 –> 00:00:11,840
6
00:00:11,840 –> 00:00:14,719
7
00:00:14,719 –> 00:00:16,160
8
00:00:16,160 –> 00:00:18,560
9
00:00:18,560 –> 00:00:20,960
kpi بالقوه خود را محاسبه کرده و برای
10
00:00:20,960 –> 00:00:23,279
مشاهده عملکرد آن در بین گروههای مختلف
11
00:00:23,279 –> 00:00:25,599
، از روشهای گروه توسط و ag pandas استفاده میکنیم،
12
00:00:25,599 –> 00:00:26,960
13
00:00:26,960 –> 00:00:29,039
این درس بر روی این روشها تمرکز میکند
14
00:00:29,039 –> 00:00:30,640
و درس بعدی به طور کاملتر
15
00:00:30,640 –> 00:00:33,520
استفاده از آنها را در عمل مورد بررسی قرار میدهد،
16
00:00:33,520 –> 00:00:35,600
میتوانیم گروه را به روش در یک روش فراخوانی کنیم.
17
00:00:35,600 –> 00:00:37,120
چارچوب داده برای مشخص کردن گروهها برای
18
00:00:37,120 –> 00:00:39,120
جمعآوری در
19
00:00:39,120 –> 00:00:41,360
اینجا، ما از آن در
20
00:00:41,360 –> 00:00:44,960
مجموعه دادههای جمعیتی و خرید دادههای
21
00:00:44,960 –> 00:00:47,680
ترکیبی خود استفاده
22
00:00:47,680 –> 00:00:48,079
23
00:00:48,079 –> 00:00:50,399
24
00:00:50,399 –> 00:00:52,160
25
00:00:52,160 –> 00:00:54,239
خواهیم کرد. آیا
26
00:00:54,239 –> 00:00:55,680
27
00:00:55,680 –> 00:00:59,280
جنسیت و سن دستگاه کشور در اینجا ما بر اساس کشور و دستگاه گروه بندی خواهیم کرد.
28
00:00:59,280 –> 00:00:59,600
29
00:00:59,600 –> 00:01:02,480
30
00:01:02,480 –> 00:01:04,879
آرگومان مربوطه بعدی محور است که مشخص می کند آیا
31
00:01:04,879 –> 00:01:05,760
در حال گروه بندی هستیم توسط
32
00:01:05,760 –> 00:01:09,280
سطر یا ستون مقدار پیش فرض
33
00:01:09,280 –> 00:01:11,600
0 را با ستون ها گروه بندی می کند که این همان کاری است که ما
34
00:01:11,600 –> 00:01:12,479
در اینجا انجام خواهیم داد
35
00:01:12,479 –> 00:01:14,880
و برای بقیه دوره
36
00:01:14,880 –> 00:01:16,159
آرگومان مورد علاقه
37
00:01:16,159 –> 00:01:18,960
دیگر به عنوان شاخص به طور پیش فرض است که این آرگومان
38
00:01:18,960 –> 00:01:19,439
درست است
39
00:01:19,439 –> 00:01:21,200
به این معنی که فیلدهای گروه بندی شده بر اساس
40
00:01:21,200 –> 00:01:22,560
به شاخص تبدیل می شوند.
41
00:01:22,560 –> 00:01:24,560
میخواهید این را روی false تنظیم کنید تا این
42
00:01:24,560 –> 00:01:26,560
اتفاق نیفتد،
43
00:01:26,560 –> 00:01:28,960
این یک قاب داده را برمیگرداند که بر اساس شی گروهبندی شده
44
00:01:28,960 –> 00:01:30,320
است.
45
00:01:30,320 –> 00:01:32,479
قدم بعدی جمعآوری روی این
46
00:01:32,479 –> 00:01:34,000
گروهها
47
00:01:34,000 –> 00:01:36,400
48
00:01:36,400 –> 00:01:37,840
49
00:01:37,840 –> 00:01:39,920
50
00:01:39,920 –> 00:01:40,960
است.
51
00:01:40,960 –> 00:01:44,320
در ارزش قیمت قاب داده ما
52
00:01:44,320 –> 00:01:47,040
، خروجی میانگین مبلغ پرداختی به ازای هر
53
00:01:47,040 –> 00:01:47,759
اشتراک برای
54
00:01:47,759 –> 00:01:50,799
همه کاربران خریدار در این مورد است
55
00:01:50,799 –> 00:01:52,479
به جای اینکه بر روی هر یک از آنها محاسبه شود
56
00:01:52,479 –> 00:01:54,560
و