Initial commit

src/tools.py

@@ -56,7 +56,7 @@ def get_newbie_plot(data):
 	)
 
 	fig.update_yaxes(
-		title='Количество'
+		title='Количество   клиентов'
 	)
 
 	fig.update_layout(
@@ -82,7 +82,7 @@ def get_zipcode_plot(data):
 	)
 
 	fig.update_yaxes(
-		title='Количество'
+		title='Количество   клиентов'
 	)
 
 	fig.update_layout(
@@ -99,7 +99,7 @@ def get_channel_plot(data):
 	fig = px.histogram(
 		data['channel'],
 		color=data['channel'],
-		title='Распределение клиентов по флагу zip_code'
+		title='Распределение клиентов по флагу Channel'
 	)
 
 	fig.update_xaxes(
@@ -108,7 +108,7 @@ def get_channel_plot(data):
 	)
 
 	fig.update_yaxes(
-		title='Количество'
+		title='Количество   клиентов'
 	)
 
 	fig.update_layout(
@@ -130,11 +130,12 @@ def get_history_segment_plot(data):
 
 	fig.update_xaxes(
 		title='',
-		categoryorder='total descending'
+		categoryorder='total descending',
+		tickangle=45
 	)
 
 	fig.update_yaxes(
-		title='Количество'
+		title='Количество   клиентов'
 	)
 
 	fig.update_layout(

src/web_app.py

@@ -18,9 +18,8 @@ st.markdown(
 	Этот набор данных содержит 42 693 строк с данными клиентов, которые в последний раз совершали покупки в течение двенадцати месяцев.
 	
 	Среди клиентов была проведена рекламная кампания с помощью _email_ рассылки:
-	- 1/3 клиентов были выбраны случайным образом для получения электронного письма, рекламирующего мужскую продукцию;
-	- 1/3 клиентов были выбраны случайным образом для получения электронного письма, рекламирующего женскую продукцию;
-	- С оставшейся 1/3 коммуникацию не проводили.
+	- 1/2 клиентов были выбраны случайным образом для получения электронного письма, рекламирующего женскую продукцию;
+	- С оставшейся 1/2 коммуникацию не проводили.
 	
 	Для каждого клиента из выборки замерили факт перехода по ссылке в письме, факт совершения покупки и сумму трат за
 	две недели, следующими после получения письма.
@@ -41,13 +40,13 @@ st.markdown(
 		| Колонка           | Обозначение                                                            |
 		|-------------------|------------------------------------------------------------------------|
 		| _recency_         | Месяцев с момента последней покупки                                    |
-		| _history_Segment_ | Классификация долларов, потраченных в прошлом году                     |
+		| _history_segment_ | Классификация клиентов в долларах, потраченных в прошлом году          |
 		| _history_         | Фактическая стоимость в долларах, потраченная в прошлом году           |
 		| _mens_            | Флаг 1/0, 1 = клиент приобрел мужские товары в прошлом году            |
 		| _womens_          | Флаг 1/0, 1 = клиент приобрел женские товары в прошлом году            |
 		| _zip_code_        | Классифицирует почтовый индекс как городской, пригородный или сельский |
 		| _newbie_          | Флаг 1/0, 1 = Новый клиент за последние двенадцать месяцев             |
-		| _channel_         | Описывает каналы, которые клиент приобрел в прошлом году               |
+		| _channel_         | Описывает каналы, через которые клиент приобрел тоовар в прошлом году  |
 
 		---
 	"""
@@ -57,14 +56,23 @@ st.write("Для того, чтобы лучше понять на какую а
 
 with st.expander('Развернуть блок анализа данных'):
 
-	st.plotly_chart(tools.get_newbie_plot(dataset))
+	st.plotly_chart(tools.get_newbie_plot(dataset), use_container_width=True)
 	st.write(f'В данных примерно одинаковое количество новых и "старых клиентов". '
 			 f'Отношение новых клиентов к старым: {(dataset["newbie"] == 1).sum() / (dataset["newbie"] == 0).sum():.2f}')
 
-	st.plotly_chart(tools.get_zipcode_plot(dataset))
-	st.write(f'Большинство клиентов из пригорода: {(dataset["zip_code"] == "Surburban").sum()}')
+	st.plotly_chart(tools.get_zipcode_plot(dataset), use_container_width=True)
+	tmp_res = dataset.zip_code.value_counts(normalize=True) * 100
+	st.write(f'Большинство клиентов из пригорода: {tmp_res["Surburban"]:.2f}%, из города: {tmp_res["Urban"]:.2f}% и из села: {tmp_res["Rural"]:.2f}%')
 
-	st.plotly_chart(tools.get_channel_plot(dataset))
+	tmp_res = dataset.channel.value_counts(normalize=True) * 100
+	st.plotly_chart(tools.get_channel_plot(dataset), use_container_width=True)
+	st.write(f'В прошлом году почти одинаковое количество клиентов покупало товары через телефон и сайт, {tmp_res["Phone"]:.2f}% и {tmp_res["Web"]:.2f}% соответственно,'
+	         f' а {tmp_res["Multichannel"]:.2f}% клиентов покупали товары воспользовавшись двумя платформами.')
 
-	st.plotly_chart(tools.get_history_segment_plot(dataset))
+	tmp_res = dataset.history_segment.value_counts(normalize=True) * 100
+	st.plotly_chart(tools.get_history_segment_plot(dataset), use_container_width=True)
+	st.write(f'Как мы видим, большинство пользователей относится к сегменту \$0-\$100 ({tmp_res[0]:.2f}%), второй и '
+	         f'третий по количеству пользователей сегменты \$100-\$200 ({tmp_res[1]:.2f}%) и \$200-\$350 ({tmp_res[2]:.2f}%).')
+	st.write(f'К сегментам \$350-\$500 и \$500-\$750 относится {tmp_res[3]:.2f}% и {tmp_res[4]:.2f}% пользователей соответственно.')
+	st.write(f'Меньше всего пользователей в сегментах \$750-\$1.000 ({tmp_res[-2]:.2f}%) и \$1.000+ ({tmp_res[-1]:.2f}%).')