Загрузка данных на географическом уровне без охвата и частоты

В следующих разделах смоделированные данные представлены в качестве примера для каждого типа и формата данных.

CSV-файл

Чтобы загрузить смоделированные данные CSV с помощью CsvDataLoader :

  1. Сопоставьте имена столбцов с типами переменных. Обязательные типы переменных: time , geo , controls , population , kpi , revenue_per_kpi , media и media_spend . Определение каждой переменной см. в разделе Сбор и систематизация данных .

    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',
            'Channel4_impression',
            'Channel5_impression',
        ],
        media_spend=[
            'Channel0_spend',
            'Channel1_spend',
            'Channel2_spend',
            'Channel3_spend',
            'Channel4_spend',
            'Channel5_spend',
        ],
    )
    
  2. Сопоставьте переменные мультимедиа и расходы на рекламу с назначенными названиями каналов, которые вы хотите отобразить в двухстраничном выводе. В следующем примере Channel0_impression и Channel0_spend подключены к одному и тому же каналу Channel0 .

    correct_media_to_channel = {
        'Channel0_impression': 'Channel0',
        'Channel1_impression': 'Channel1',
        'Channel2_impression': 'Channel2',
        'Channel3_impression': 'Channel3',
        'Channel4_impression': 'Channel4',
        'Channel5_impression': 'Channel5',
    }
    correct_media_spend_to_channel = {
        'Channel0_spend': 'Channel0',
        'Channel1_spend': 'Channel1',
        'Channel2_spend': 'Channel2',
        'Channel3_spend': 'Channel3',
        'Channel4_spend': 'Channel4',
        'Channel5_spend': 'Channel5',
    }
    
  3. Загрузите данные с помощью CsvDataLoader :

    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,
    )
    data = loader.load()
    

    Где:

    • kpi_type — это либо 'revenue' , либо 'non_revenue' .
    • PATH — это путь к местоположению файла данных.
    • FILENAME — это имя вашего файла данных.

Набор данных Xarray

Чтобы загрузить смоделированный набор данных Xarray с помощью XrDatasetDataLoader :

  1. Загрузите данные с помощью pickle :

    import pickle
    with open(f'/{PATH}/{FILENAME}.pkl', 'r') as fh:
      XrDataset=pickle.load(fh)
    

    Где:

    • PATH — это путь к местоположению файла данных.
    • FILENAME — это имя вашего файла данных.
  2. Передайте набор данных в XrDatasetDataLoader . Используйте аргумент name_mapping для сопоставления координат и массивов. Обеспечьте сопоставление, если имена во входном наборе данных отличаются от требуемых имен. Требуемые имена координат — geo , time , control_variable и media_channel . Имена обязательных переменных данных: kpi , revenue_per_kpi , controls , population , media и media_spend .

    loader = load.XrDatasetDataLoader(
        XrDataset,
        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'},
    )
    
    data = loader.load()
    

    Где:

    • kpi_type — это либо 'revenue' , либо 'non_revenue' .

Другой формат данных

Чтобы загрузить смоделированный другой формат данных (например, excel ) с помощью DataFrameDataLoader :

  1. Сопоставьте имена столбцов с типами переменных. Обязательные типы переменных: time , geo , controls , population , kpi , revenue_per_kpi , media и media_spend . Определение каждой переменной см. в разделе Сбор и систематизация данных .

    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',
            'Channel4_impression',
            'Channel5_impression',
        ],
        media_spend=[
            'Channel0_spend',
            'Channel1_spend',
            'Channel2_spend',
            'Channel3_spend',
            'Channel4_spend',
            'Channel5_spend',
        ],
    )
    
  2. Сопоставьте переменные мультимедиа и расходы на рекламу с назначенными названиями каналов, которые вы хотите отобразить в двухстраничном выводе. В следующем примере Channel0_impression и Channel0_spend подключены к одному и тому же каналу Channel0 .

    correct_media_to_channel = {
        'Channel0_impression': 'Channel0',
        'Channel1_impression': 'Channel1',
        'Channel2_impression': 'Channel2',
        'Channel3_impression': 'Channel3',
        'Channel4_impression': 'Channel4',
        'Channel5_impression': 'Channel5',
    }
    correct_media_spend_to_channel = {
        'Channel0_spend': 'Channel0',
        'Channel1_spend': 'Channel1',
        'Channel2_spend': 'Channel2',
        'Channel3_spend': 'Channel3',
        'Channel4_spend': 'Channel4',
        'Channel5_spend': 'Channel5',
    }
    
  3. Считайте данные (например, excel ) в DataFrameDataLoader , а затем загрузите данные:

    df = pd.read_excel(f'/{PATH}/{FILENAME}.xlsx')
    loader = load.DataFrameDataLoader(
        df=df,
        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,
    )
    data = loader.load()
    

    Где:

    • kpi_type — это либо 'revenue' , либо 'non_revenue' .
    • PATH — это путь к местоположению файла данных.
    • FILENAME — это имя вашего файла данных.

Далее вы можете создать свою модель .