Анализ AB-групп с apply и transform

Условие задания

**Контекст:** Социальная сеть проводит A/B-тест и анализирует активность пользователей в двух группах за 14 дней.

**Данные:** DataFrame `user_activity` — колонки: `user_id`, `group` (A/B), `day` (1–14), `messages_sent`, `time_spent_min`.

**Задание:**
1. Для каждого пользователя рассчитайте кумулятивную сумму сообщений по дням (`transform`)
2. Рассчитайте среднедневную активность по группам (`groupby` + `agg`)
3. Вычислите отклонение каждого дня от пользовательского среднего (`transform`)
4. Сравните группы A и B

Пример данных

Структура для ориентира — реальные значения из эталонного решения.

import pandas as pd
import numpy as np

np.random.seed(42)
n_users = 500
days = 14

rows = []
for uid in range(n_users):
    group = 'A' if uid < 250 else 'B'
    base_msg = np.random.poisson(8 if group == 'A' else 10)
    base_time = np.random.normal(25 if group == 'A' else 30, 5)
    for d in range(1, days + 1):
        rows.append({
            'user_id': uid, 'group': group, 'day': d,
            'messages_sent': max(0, base_msg + np.random.randint(-3, 4)),
            'time_spent_min': round(max(1, base_time + np.random.normal(0, 3)), 1),
        })

df = pd.DataFrame(rows)

# 1. Кумулятивная сумма сообщений (по пользователю)
df['cum_messages'] = df.groupby('user_id')['messages_sent'].transform('cumsum')

# 2. Среднее время пользователя (broadcast обратно в каждую строку)
df['user_avg_time'] = df.groupby('user_id')['time_spent_min'].transform('mean')

# 3. Отклонение от среднего пользователя
df['time_deviation'] = (df['time_spent_min'] - df['user_avg_time']).round(1)

print("Пример данных (user_id=0):")
print(df[df['user_id'] == 0][['day', 'messages_sent', 'cum_messages',
                               'time_spent_min', 'user_avg_time', 'time_deviation']].head(7))

# 4. Сравнение групп через agg
group_stats = df.groupby('group').agg(
    avg_messages=('messages_sent', 'mean'),
    avg_time=('time_spent_min', 'mean'),
    total_messages=('messages_sent', 'sum'),
    users=('user_id', 'nunique'),
).round(2)

print("\nСравнение групп:")
print(group_stats)

# 5. Динамика по дням через apply
def daily_summary(grp):
    return pd.Series({
        'avg_messages': grp['messages_sent'].mean(),
        'p95_time': grp['time_spent_min'].quantile(0.95),
    })

daily_by_group = df.groupby(['group', 'day']).apply(daily_summary).round(1)
print("\nДинамика по дням (первые 5 дней):")
print(daily_by_group.head(10))

Темы

pandas apply transform groupby лямбда-функции

Подсказки

• transform("cumsum") внутри группы — кумулятивная сумма
• transform("mean") внутри группы — среднее, раздутое обратно в строки
• apply — для пользовательских функций по группе

Все тестовые задания →

Частые вопросы

Какой уровень знаний нужен для задачи "Анализ AB-групп с apply и transform"?

Это задание для уровня Junior. Подходит для начинающих аналитиков, проверяет базовые знания SQL/Python/статистики.

На каких собеседованиях встречается такая задача?

Подобные задания в категории «Python» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: pandas, apply, transform, groupby, лямбда-функции.

Сколько времени даётся на решение?

На реальном собеседовании на подобную задачу отводится 5-10 минут — проверяется скорость и базовая грамотность. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.

Где ещё потренироваться по теме «Python»?

На zasqlpython.ru есть 482 Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.

← Все задания