шифтинтер

shift+enter вероятно

спасибо!
Смотрю я какие города в каких филиалах, вижу пересечения
train_days.groupby('idFilial')['City'].aggregate(lambda x: set(x))
idFilial
4     {Липецк, Калуга, Мичуринск, Белгород, Воронеж,...
6     {*Оренбург, Уфа, Казань*, *Нефтеюганск*, Томск, Но...
8     {*Оренбург, Уфа, Казань*, Чистополь, Тольятти, Э...
9     {Минеральные воды, Армавир, Махачкала, Краснод...
10    {Волоколамск, Дедовск, Щербинка, Москва-Юг, Во...
11    {*Нефтеюганск*, Владимир, Йошкар-Ола, Нижний Нов...
12    {Междуреченск, п. Ванино, Томск, Амуре, Прокоп...
15    {Санкт-Петербург, Мурманск, Псков, Петрозаводс...
17    {Михайлов, Смоленск, Рыбинск, Кимры, Ростов, С...

иии? не томите

так решили объединить видимо

у меня самые последние файлы, вроде же очистить от объединений хотели?

наоборот

добавили

колонки

чтоб было видно что с чем слили

а как получить истинное разбиение на филиалы - нет такого. Только объединенные?

Да, сейчас только объединенные

тоесть вот этот мой набор idFilial - исчерпывающий?

Что вы имеете ввиду?

кроме как id = 4,6,8,10,11,12,15,17 - других нет?

Возможно, в компании есть другие филиалы, но она выделила конкретные для предсказаний, и некоторые из них еще сгруппировала (мелкие объединила с большими)

а это заказы из головного филиала для филиала? или продажи конкретного филиала?

да, других нет
все idFilial - [4, 6, 8, 9, 10, 11, 12, 15, 17]

данные по клиентской активности train_set_sfa
1. только с недели 32 года 2015. за все время с начала 2014 нет?
2. что такое calc_share?

По sfa не все данные просто есть, выдали то, что было)