Carregar dados nacionais

Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Os dados simulados são fornecidos como exemplos de cada tipo e formato de dados nas seções a seguir.

CSV

Para carregar os dados CSV simulados usando CsvDataLoader:

1. Mapeie os nomes das colunas para os tipos de variáveis. Os tipos de variáveis obrigatórios são time, controls, kpi, revenue_per_kpi, media e media_spend. Para definir cada variável, consulte Coletar e organizar seus dados.

   coord_to_columns = load.CoordToColumns(
       time='time',
       controls=['GQV', 'Discount', 'Competitor_Sales'],
       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. Mapeie as variáveis e os gastos de mídia para os nomes de canais designados que você quer mostrar na saída de duas páginas. No exemplo a seguir, Channel0_impression e Channel0_spend estão conectados ao mesmo canal, 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. Carregue os dados usando 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()
   

   Em que:

   • kpi_type é 'revenue' ou 'non_revenue'.
   • PATH é o caminho do local do arquivo de dados.
   • FILENAME é o nome do arquivo de dados.

Conjunto de dados Xarray

Para carregar o conjunto de dados Xarray simulado usando XrDatasetDataLoader:

1. Carregue os dados usando pickle:

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

   Em que:

   • PATH é o caminho do local do arquivo de dados.
   • FILENAME é o nome do arquivo de dados.

2. Transmita o conjunto de dados para XrDatasetDataLoader. Use o argumento name_mapping para mapear as coordenadas e matrizes. Forneça o mapeamento se os nomes no conjunto de dados de entrada forem diferentes dos nomes obrigatórios. Os nomes de coordenadas obrigatórios são time, control_variable e media_channel. Os nomes de variáveis de dados obrigatórios são kpi, revenue_per_kpi, controls, media e 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()
   

   Em que:

   • kpi_type é 'revenue' ou 'non_revenue'.

Outros formatos de dados

Para carregar os outros formatos de dados simulados (como excel) usando DataFrameDataLoader:

1. Mapeie os nomes das colunas para os tipos de variáveis. Os tipos de variáveis obrigatórios são time, controls, kpi, revenue_per_kpi, media e media_spend. Para definir cada variável, consulte Coletar e organizar seus dados.

   coord_to_columns = load.CoordToColumns(
       time='time',
       controls=['GQV', 'Discount', 'Competitor_Sales'],
       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. Mapeie as variáveis e os gastos de mídia para os nomes de canais designados que você quer mostrar na saída de duas páginas. No exemplo a seguir, Channel0_impression e Channel0_spend estão conectados ao mesmo canal, 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. Leia os dados (como excel) em DataFrameDataLoader e carregue:

   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()
   

   Em que:

   • kpi_type é 'revenue' ou 'non_revenue'.
   • PATH é o caminho do local do arquivo de dados.
   • FILENAME é o nome do arquivo de dados.

Em seguida, crie o modelo.