Nivel 7 · Tasa de conversión por dispositivo y fuente

Tasas en una cuadrícula

Una tasa es la media de un resultado sí/no. Python trata True como 1 y False como 0, así que la media de una columna booleana es la proporción de filas que son True. Eso convierte una cuadrícula de tasas de conversión en un único pivot_table con aggfunc="mean":

web_sessions.pivot_table(index="device", columns="source",
                         values="converted", aggfunc="mean").round(3)
# source   direct  email  organic   paid  social
# device
# desktop   0.057  0.128    0.023  0.022   0.010
# mobile    0.045  0.072    0.015  0.011   0.004
# tablet    0.050  0.092    0.016  0.018   0.003

Los visitantes de email en desktop convierten al 12,8 %, los de social en tablet al 0,3 %. Cada celda se calcula con las sesiones en bruto que contiene, así que las tasas son exactas, no medias de medias.

margins: totales para la fila y la columna

margins=True añade una columna extra y una fila extra, llamadas por defecto All. Cada margen es el mismo agregado calculado sobre todas las filas en bruto de esa fila o columna. Para recuentos es un total; para una media es la tasa global:

web_sessions.pivot_table(index="device", columns="source", values="session_id",
                         aggfunc="count", margins=True)
# source   direct  email  organic  paid  social    All
# desktop    2290   1738     4933  3277    2303  14541
# ...
# All        6410   4770    13531  8887    6402  40000

margins_name="all" renombra la fila y la columna de margen. Con aggfunc="mean", el margen de la fila desktop es la tasa de conversión global de desktop (0.039), y la celda de la esquina es la tasa de todo el sitio: 1.193 conversiones en 40.000 sesiones, 0.030.

Fíjate en lo que el margen no es: la media de las celdas de su fila. Promediar las tres tasas de dispositivo da 0.0303, algo distinto del verdadero 0.0298, porque mobile tiene muchas más sesiones que tablet. El margen pondera cada sesión por igual, que es lo que quieres.

pivot frente a pivot_table

pandas también tiene DataFrame.pivot. Solo mueve valores a una cuadrícula y nunca agrega, así que funciona cuando cada par de fila y columna aparece exactamente una vez. Con 40.000 sesiones repartidas en 15 celdas, falla:

web_sessions.pivot(index="device", columns="source", values="converted")
# ValueError: Index contains duplicate entries, cannot reshape

Usa pivot con datos que ya tienen una fila por celda (por ejemplo una tabla larga que acabas de construir con groupby), y pivot_table siempre que haya que combinar filas.

Errores comunes

• Recurrir a pivot cuando muchas filas comparten una celda, y toparte con el error de entradas duplicadas.
• Calcular la tasa global como la media de las tasas de las celdas, lo que ignora el tamaño de los grupos.
• Redondear converted o convertirlo a texto antes del pivot. Déjalo booleano y deja que mean cuente los True.
• Olvidar margins_name, de modo que los márgenes se etiquetan All en lugar del nombre pedido.