それぞれのデータ型と形式の例として、シミュレートされたデータを次のセクションに示します。
CSV
シミュレートされた CSV データを CsvDataLoader を使用して読み込む手順は次のとおりです。
列名を変数型にマッピングします。必要な変数型は
time、geo、controls、population、kpi、revenue_per_kpiです。リーチとフリークエンシーのデータがないメディア チャネルの場合は、メディア露出とメディア費用をそれぞれmediaとmedia_spendの各カテゴリに割り当てる必要があります。逆に、リーチとフリークエンシーのデータがあるメディア チャネルの場合は、リーチ、フリークエンシー、メディア費用をそれぞれreach、frequency、rf_spendのカテゴリにマッピングする必要があります。各変数の定義については、データの収集と整理をご覧ください。coord_to_columns = load.CoordToColumns( time='time', geo='geo', controls=['GQV', 'Discount', 'Competitor_Sales'], population='population', kpi='conversions', revenue_per_kpi='revenue_per_conversion', media=[ 'Channel0_impression', 'Channel1_impression', 'Channel2_impression', 'Channel3_impression', ], media_spend=[ 'Channel0_spend', 'Channel1_spend', 'Channel2_spend', 'Channel3_spend', ], reach =['Channel4_reach', 'Channel5_reach'], frequency=['Channel4_frequency', 'Channel5_frequency'], rf_spend=['Channel4_spend', 'Channel5_spend'], )メディア露出、リーチ、フリークエンシー、メディア費用を、2 ページに出力して表示する指定したチャネル名にマッピングします。次の例では、
Channel0_impressionとChannel0_spendが、同じチャネルChannel0に結び付けられています。また、Channel4_reach、Channel4_frequency、Channel4_spendは同じチャネルChannel4に結び付けられています。correct_media_to_channel = { 'Channel0_impression': 'Channel0', 'Channel1_impression': 'Channel1', 'Channel2_impression': 'Channel2', 'Channel3_impression': 'Channel3', } correct_media_spend_to_channel = { 'Channel0_spend': 'Channel0', 'Channel1_spend': 'Channel1', 'Channel2_spend': 'Channel2', 'Channel3_spend': 'Channel3', } correct_reach_to_channel = { 'Channel4_reach': 'Channel4', 'Channel5_reach': 'Channel5', } correct_frequency_to_channel = { 'Channel4_frequency': 'Channel4', 'Channel5_frequency': 'Channel5', } correct_rf_spend_to_channel = { 'Channel4_spend': 'Channel4', 'Channel5_spend': 'Channel5', }CsvDataLoaderを使用してデータを読み込みます。loader = load.CsvDataLoader( csv_path=f'/{PATH}/{FILENAME}.csv', kpi_type='non_revenue', coord_to_columns=coord_to_columns, media_to_channel=correct_media_to_channel, media_spend_to_channel=correct_media_spend_to_channel, reach_to_channel=correct_reach_to_channel, frequency_to_channel=correct_frequency_to_channel, rf_spend_to_channel=correct_rf_spend_to_channel, ) data = loader.load()ここで
kpi_typeは、'revenue'か'non_revenue'のいずれかです。PATHは、データファイルの場所へのパスです。FILENAMEはデータファイルの名前です。
Xarray データセット
pickle 化されシミュレートされた Xarray データセットを XrDatasetDataLoader を使って読み込む手順は次のとおりです。
次のように
pickleを使ってデータを読み込みます。import pickle with open(f'/{PATH}/{FILENAME}.pkl', 'r') as fh: dataset=pickle.load(fh)ここで
PATHは、データファイルの場所へのパスです。FILENAMEはデータファイルの名前です。
データセットを
XrDatasetDataLoaderに渡します。name_mapping引数を使用して、座標と配列をマッピングします。入力データセットでの名前が必須の名前と異なる場合は、それらの名前をマッピングします。必要な座標名はgeo、time、control_variable、media_channel、rf_channelです。ここで、rf_channelはリーチとフリークエンシーのデータがあるチャネルを表します。必要なデータ変数名は、kpi、revenue_per_kpi、controls、population、media、media_spend、reach、frequency、rf_spendです。loader = load.XrDatasetDataLoader( dataset, kpi_type='non_revenue', name_mapping={ 'channel': 'media_channel', 'control': 'control_variable', 'conversions': 'kpi', 'revenue_per_conversion': 'revenue_per_kpi', 'control_value': 'controls', 'spend': 'media_spend', 'reach': 'reach', 'frequency': 'frequency', 'rf_spend': 'rf_spend', }, ) data = loader.load()ここで
kpi_typeは、'revenue'か'non_revenue'のいずれかです。
NumPy ndarray
numpy ndarray を直接読み込むには、NDArrayInputDataBuilder を使用します。
データを個別の numpy ndarray に作成します。
import numpy as np kpi_nd = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) controls_nd = np.array([ [[1, 5], [2, 6], [3, 4]], [[7, 8], [9, 10], [11, 12]], [[13, 14], [15, 16], [17, 18]], ]) population_nd = np.array([1, 2, 3]) revenue_per_kpi_nd = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) reach_nd = np.array([ [[1, 5], [2, 6], [3, 4]], [[7, 8], [9, 10], [11, 12]], [[13, 14], [15, 16], [17, 18]], ]) frequency_nd = np.array([ [[1, 5], [2, 6], [3, 4]], [[7, 8], [9, 10], [11, 12]], [[13, 14], [15, 16], [17, 18]], ]) rf_spend_nd = np.array([ [[1, 5], [2, 6], [3, 4]], [[7, 8], [9, 10], [11, 12]], [[13, 14], [15, 16], [17, 18]], ])NDArrayInputDataBuilderを使って、時間と地域を設定し、メリディアンの入力データで必要に応じてチャンネル名またはディメンション名を指定します。各変数の定義については、データの収集と整理をご覧ください。from meridian.data import nd_array_input_data_builder as data_builder builder = ( data_builder.NDArrayInputDataBuilder(kpi_type='non_revenue') ) builder.time_coords = ['2024-01-02', '2024-01-03', '2024-01-01'] builder.media_time_coords = ['2024-01-02', '2024-01-03', '2024-01-01'] builder.geos = ['B', 'A', 'C'] builder = ( builder .with_kpi(kpi_nd) .with_revenue_per_kpi(revenue_per_kpi_nd) .with_population(population_nd) .with_controls( controls_nd, control_names=["control0", "control1"]) .with_reach( r_nd=reach_nd, f_nd=frequency_nd, rfs_nd=rf_spend_nd, rf_channels=["channel0", "channel1"] ) ) data = builder.build()詳細は次のとおりです。
kpi_typeは、'revenue'か'non_revenue'のいずれかです。
Pandas DataFrame またはその他のデータ形式
シミュレートされた他のデータ形式（excel など）を DataFrameInputDataBuilder を使って読み込む手順は次のとおりです。
データ（
excelスプレッドシートなど）を 1 つ以上の PandasDataFrameに読み込みます。import pandas as pd df = pd.read_excel( 'https://github.com/google/meridian/raw/main/meridian/data/simulated_data/xlsx/geo_media_rf.xlsx', engine='openpyxl', )DataFrameInputDataBuilderを使って、列名をメリディアンの入力データで必要な変数型にマッピングします。各変数の定義については、データの収集と整理をご覧ください。from meridian.data import data_frame_input_data_builder as data_builder builder = ( data_builder.DataFrameInputDataBuilder(kpi_type='non_revenue') .with_kpi(df, kpi_col="conversions") .with_revenue_per_kpi(df, revenue_per_kpi_col="revenue_per_conversion") .with_population(df) .with_controls(df, control_cols=["GQV", "Discount", "Competitor_Sales"]) .with_reach( df, reach_cols = ['Channel4_reach', 'Channel5_reach'], frequency_cols = ['Channel4_frequency', 'Channel5_frequency'], rf_spend_cols = ['Channel4_spend', 'Channel5_spend'], rf_channels = ['Channel4', 'Channel5'], ) ) data = builder.build()詳細は次のとおりです。
kpi_typeは、'revenue'か'non_revenue'のいずれかです。
次にモデルを作成します。