В рейтинге участвует:

групп:

каналов:

Виртуальный сервер на SSD - недорого!

Аренда выделенных и виртуальных серверов (VDS/VPS), хостинг, аренда IP-адресов, администрирование, круглосуточная поддержка

qwarta.ru подробнее

Резервное копирование с проверкой на вирусы!!!

Удобный сервис создания резервных копий на любой сервер сети интернет. Отслеживайте изменения, проверяйте на вирусы. Надежно защитите свой бизнес!

go.backupland.com

Выбираете сервер? Любая конфигурация на заказ!

Аренда физических серверов любых конфигураций под любые запросы - 1С бухгалтерия, игровые сервера, нагруженные проекты, интернет-магазины!

qwarta.ru подробнее

Size: a a a

Python для анализа данных

1463 membersпожаловаться на группу
2019 May 02

АЛ

Александр Лахно... in Python для анализа данных
N N
Так а что там конкретно непонятно ?
По факту хочу понять самый простой способо как можно сделать диаграму из первичных данных. Есть таблица на 10 столбцов. Группирую по 2-м параметрам, третий делаю как значения. Получается гроуппеддатафрейм. а дальше как это отобразить столбчатой стакет диаграммой не понимаю. или как пройтись по значениям и самому создать график - тоже не понятно
источник
18:32пожаловаться#1

АЛ

Александр Лахно... in Python для анализа данных
какие самые необходимые методы для перебора сгруппрованных данных? чтоб можно было сформировать данные для подсовывания в плотли графики
источник
18:34пожаловаться#2
2019 May 05

ps

pavel smishlenko in Python для анализа данных
Здравствуйте ищу front end,back end программиста для реализации проекта,
зарплата формируется по факту сделанных работ или фиксированная, кто заинтересовался
пишите мне ознакомиться с задачей которую нужно реализовать можно тут  http://cutt.us/P4B9Z
источник
14:06пожаловаться#3
2019 May 06

К

Константин in Python для анализа данных
Застрял на очевидном моменте, не пойму что не так.
не дает отфильтровать строки из dataframe по точному вхождению текста строки
источник
15:23пожаловаться#4

АМ

Алексей Макаров... in Python для анализа данных
А посмотрите lenta_kurs_traff.loc[554255]['title']
источник
15:24пожаловаться#5

АМ

Алексей Макаров... in Python для анализа данных
Может там строка какая-то хитрая, символы лишние или ещё что-то в этом роде
источник
15:25пожаловаться#6

К

Константин in Python для анализа данных
спасибо))
пробел спрятался
источник
15:25пожаловаться#7

АМ

Алексей Макаров... in Python для анализа данных
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.str.strip.html
источник
15:26пожаловаться#8

АМ

Алексей Макаров... in Python для анализа данных
str.strip поможет убрать пробелы
источник
15:26пожаловаться#9

OA

Oleg Agapov in Python для анализа данных
гайз, есть вопрос. кто как считает monthly retention rate для ecommerce? кто какие формулы использует?
не совсем по питону вопрос, но если вы это делаете на нём - то очень сойдет 🙂
источник
15:42пожаловаться#10

R

Roman in Python для анализа данных
Oleg Agapov
гайз, есть вопрос. кто как считает monthly retention rate для ecommerce? кто какие формулы использует?
не совсем по питону вопрос, но если вы это делаете на нём - то очень сойдет 🙂
Тоже интересно
источник
19:22пожаловаться#11
2019 May 08

АМ

Алексей Макаров... in Python для анализа данных
Слушайте, а кто-нибудь может рассказать зачем существует swapaxes, если есть df.T? В чем разница, не могу понять
источник
16:54пожаловаться#12

A

Andrei in Python для анализа данных
мб для мильтииндексовых датафреймов? когда несколько axes
источник
17:03пожаловаться#13

АМ

Алексей Макаров... in Python для анализа данных
В общем, не разобрался в чем разница. С мультииндексом swapaxes работает также как и .T
источник
17:39пожаловаться#14

АМ

Алексей Макаров... in Python для анализа данных
Ну и ладно)
источник
17:39пожаловаться#15

АМ

Алексей Макаров... in Python для анализа данных
Кстати, хочу поделиться своим небольшим открытием. Может кому-то будет полезно. С недавних пор (с версии 0.24) в pandas есть целочисленый тип, поддерживающий nan. Чтобы конвертнуть в него колонку нужно сделать df['A'].astype('Int64')
источник
17:41пожаловаться#16

АМ

Алексей Макаров... in Python для анализа данных
Int64 с большой буквы I (а то с маленькой другой тип)
источник
17:42пожаловаться#17
2019 May 11

AR

Artem Razgonov in Python для анализа данных
Oleg Agapov
гайз, есть вопрос. кто как считает monthly retention rate для ecommerce? кто какие формулы использует?
не совсем по питону вопрос, но если вы это делаете на нём - то очень сойдет 🙂
А можете поделиться, зачем вам monthly retention? Для чего используете? Можно считать ретеншен в визит, целевое действие или транзакцию, способы разные. Все от цели зависит.
источник
22:38пожаловаться#18

OA

Oleg Agapov in Python для анализа данных
Artem Razgonov
А можете поделиться, зачем вам monthly retention? Для чего используете? Можно считать ретеншен в визит, целевое действие или транзакцию, способы разные. Все от цели зависит.
Две цели. Во-первых, чтобы видеть месячную динамику, во-вторых сравнивать с бенчмарками по нише. Я изначально придумал формулу для ретеншена кастомеров (не визитов и не целевых действий), но потом понял, что моя формула это annual repurchase rate, а не ретеншен
источник
23:07пожаловаться#19
2019 May 12

AR

Artem Razgonov in Python для анализа данных
Oleg Agapov
Две цели. Во-первых, чтобы видеть месячную динамику, во-вторых сравнивать с бенчмарками по нише. Я изначально придумал формулу для ретеншена кастомеров (не визитов и не целевых действий), но потом понял, что моя формула это annual repurchase rate, а не ретеншен
Вы больше говорите о retention change over time.   То есть о сравнении ретеншена пользователей, пришедших в периоде N с ретеншеном в периоде N-1. Почитайте справку Amplitude, они такой график строят.
источник
08:36пожаловаться#20