Nivel 2 · Costo por conversión en pandas

La misma pregunta, las mismas definiciones

Este es el análisis de presupuesto de Jordan en pandas, con las mismas definiciones que el nivel de SQL de este caso: solo 2025 en ambas tablas, una conversión es una sesión con converted == True, y el gasto se asocia a las sesiones por el nombre del canal. Organic y direct tienen sesiones pero no tienen gasto.

Paso 1: contar valores True

converted es una columna booleana. En pandas True se comporta como 1 y False como 0, así que ("converted", "sum") cuenta las conversiones y ("converted", "mean") daría la tasa directamente. El ejercicio pide un porcentaje redondeado a 2, así que calcúlalo a partir de los dos conteos:

by_source = ws.groupby("source", as_index=False).agg(
    sessions=("session_id", "count"), conversions=("converted", "sum")
)
by_source["conversion_rate_pct"] = (by_source["conversions"] * 100 / by_source["sessions"]).round(2)

"count" cuenta los valores no faltantes de la columna indicada. session_id nunca falta, así que cuenta todas las sesiones. Contar customer_id sería un error silencioso: las sesiones anónimas tienen NaN ahí y no se contarían.

Paso 2: preagrega y luego une

En SQL esto lleva dos CTE. En pandas cada una es simplemente un DataFrame:

conv = ws.groupby("source", as_index=False).agg(conversions=("converted", "sum"))
spend = ms.groupby("channel", as_index=False).agg(spend=("amount", "sum")).rename(columns={"channel": "source"})
table = conv.merge(spend, on="source", how="left", validate="one_to_one")

marketing_spend llama channel a su clave mientras que web_sessions la llama source. .rename(columns={"channel": "source"}) renombra una columna (el nombre viejo a la izquierda, el nuevo a la derecha) para que ambos DataFrames compartan la clave y on="source" funcione. left_on="source", right_on="channel" hace lo mismo sin renombrar.

validate="one_to_one" es la forma en pandas de afirmar lo que razonaste en SQL: después del groupby, cada lado tiene una fila por clave, así que el merge no puede duplicar filas. Si más adelante alguien une las tablas en bruto por error, pandas lanza un MergeError en lugar de devolver un gasto inflado.

how="left" desde el lado de las sesiones conserva organic y direct, con gasto NaN (la marca de pandas para un número faltante). Cualquier operación aritmética con NaN da NaN, así que su costo por conversión falta, y eso es correcto: no es cero, no aplica.

División entre cero

pandas devuelve inf (infinito) sin avisar cuando divides un número entre cero. La solución es convertir primero los ceros del denominador en valores faltantes. .replace(0, np.nan) cambia cada 0 de una Serie por np.nan, el número faltante de numpy, y cualquier cosa dividida entre NaN es NaN:

pd.Series([5000, 5000]) / pd.Series([25, 0])                    # 200.0, inf
pd.Series([5000, 5000]) / pd.Series([25, 0]).replace(0, np.nan)  # 200.0, NaN

Ningún canal ni mes de 2025 tiene cero conversiones en estos datos, pero un informe mensual que se ejecuta cada mes tarde o temprano se topará con uno, y un inf en un gráfico es difícil de explicar.

Paso 3: añade el mes a ambas claves

Construye una etiqueta month en cada tabla con .dt.strftime("%Y-%m"), que convierte un datetime en texto como "2025-03" (%Y es el año y %m el mes de dos dígitos). Agrupa cada tabla por mes y haz merge por month. El grano ahora es una fila por mes en ambos lados.

SQL y pandas lado a lado

Paso	SQL	pandas
conversiones	COUNT(*) FILTER (WHERE converted)	("converted", "sum")
CTE	WITH conv AS (...)	conv = ws.groupby(...)
los nombres de la clave difieren	ON s.channel = c.source	rename o left_on/right_on
afirmar que no hay duplicación	razonarlo	validate="one_to_one"
NULLIF(x, 0)	incluido	x.replace(0, np.nan)

Errores comunes

• Unir sesiones en bruto con gasto en bruto. Incluso por ["source", "date"], el gasto de cada día se repite una vez por sesión de ese día.
• Redondear el gasto antes de dividir. Calcula el costo por conversión con la suma sin redondear y redondea después.
• Días de gasto faltantes. Faltan doce filas por caídas en marketing_spend; los totales quedan ligeramente por debajo, igual en SQL y en pandas.
• Fechas como texto. Los filtros comparan una columna datetime64 con "2025-01-01"; pandas interpreta el texto, así que no hace falta ninguna conversión.