A_B_test.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "c8a6af25-08d3-487a-bd90-001772ac9161",
   "metadata": {},
   "source": [
    "## <center> **Анализ результатов A/B-тестирования**"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d7d45571-6545-4904-a86b-9b3b6b8163d3",
   "metadata": {},
   "source": [
    "Компания планирует запустить новую акцию, чтобы продать как можно больше туров. Команда разработала два варианта посадочной страницы официального сайта компании и провела A/B-тестирование. Собранные в результате проведения эксперимента данные вы можете найти здесь.\n",
    "\n",
    "Вам предстоит решить настоящую бизнес-задачу: проанализировать эффективность обоих вариантов посадочной страницы сразу по двум критериям: конверсии покупки и среднему чеку. На основе проведенного анализа вам будет необходимо сделать выводы и принять решение: какой из вариантов дизайна более предпочтительный.\n",
    "\n",
    "Итак, наша фирма предлагает следующие варианты туров и их соответствующие стоимости:\n",
    "* Таиланд — 100000 рублей;\n",
    "* Турция — 60000 рублей;\n",
    "* Мальдивы — 200000 рублей;\n",
    "* Санкт-Петербург — 10000 рублей;\n",
    "* Камчатка — 150000 рублей."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 84,
   "id": "a974b482-e192-4014-8520-8a5c0c946da6",
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "import matplotlib.pyplot as plt\n",
    "import seaborn as sns\n",
    "from scipy.stats import norm\n",
    "from scipy.stats import t\n",
    "from scipy.stats import ttest_ind, shapiro\n",
    "from statsmodels.stats.proportion import proportions_ztest"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "55c84550-4162-4325-acc2-7d3c0aafe6f0",
   "metadata": {},
   "source": [
    "Прочитаем наши данные и посмотрим на столбцы таблицы:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 85,
   "id": "b0d18245-b9da-44bd-8aea-d272ea74b63a",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>user_id</th>\n",
       "      <th>date</th>\n",
       "      <th>group</th>\n",
       "      <th>purchase</th>\n",
       "      <th>price</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>851104</td>\n",
       "      <td>2021-01-21</td>\n",
       "      <td>A</td>\n",
       "      <td>0</td>\n",
       "      <td>0</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>804228</td>\n",
       "      <td>2021-01-12</td>\n",
       "      <td>A</td>\n",
       "      <td>0</td>\n",
       "      <td>0</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>661590</td>\n",
       "      <td>2021-01-11</td>\n",
       "      <td>B</td>\n",
       "      <td>0</td>\n",
       "      <td>0</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>853541</td>\n",
       "      <td>2021-01-08</td>\n",
       "      <td>B</td>\n",
       "      <td>0</td>\n",
       "      <td>0</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>864975</td>\n",
       "      <td>2021-01-21</td>\n",
       "      <td>A</td>\n",
       "      <td>1</td>\n",
       "      <td>150000</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "   user_id        date group  purchase   price\n",
       "0   851104  2021-01-21     A         0       0\n",
       "1   804228  2021-01-12     A         0       0\n",
       "2   661590  2021-01-11     B         0       0\n",
       "3   853541  2021-01-08     B         0       0\n",
       "4   864975  2021-01-21     A         1  150000"
      ]
     },
     "execution_count": 85,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data = pd.read_csv('./ab_data_tourist.csv')\n",
    "data.head()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2fc48225-26ac-49c4-b99d-8b2a03dd74a1",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.1.**\n",
    "\n",
    "Начнем с исследования структуры наших данных. С помощью метода info() выведите информацию о типах данных и количестве непустых значений. Какой тип данных имеет столбец date?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 86,
   "id": "23496521-4878-46e2-ab02-1a98be14884a",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 294478 entries, 0 to 294477\n",
      "Data columns (total 5 columns):\n",
      " #   Column    Non-Null Count   Dtype \n",
      "---  ------    --------------   ----- \n",
      " 0   user_id   294478 non-null  int64 \n",
      " 1   date      294478 non-null  object\n",
      " 2   group     294478 non-null  object\n",
      " 3   purchase  294478 non-null  int64 \n",
      " 4   price     294478 non-null  int64 \n",
      "dtypes: int64(3), object(2)\n",
      "memory usage: 11.2+ MB\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "str"
      ]
     },
     "execution_count": 86,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data.info()\n",
    "type(data['date'][0])"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "946d017d-b4fe-4a17-b91d-0ce369d1ab2e",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.2.**\n",
    "\n",
    "Приведите столбец date к типу данных datetime. Убедитесь в равной длительности проведения тестирования для каждой из группы. Для этого сгруппируйте данные по признаку группы и определите первую и последнюю дату наблюдения для каждой из групп. \n",
    "\n",
    "В какой промежуток времени проводился A/B-тест?\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 87,
   "id": "604c619d-6338-45c8-8248-ac098a2366bb",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Первая дата наблюдения \n",
      " group\n",
      "A   2021-01-02\n",
      "B   2021-01-02\n",
      "Name: date, dtype: datetime64[ns]\n",
      "Последняя дата наблюдения \n",
      " group\n",
      "A   2021-01-24\n",
      "B   2021-01-24\n",
      "Name: date, dtype: datetime64[ns]\n"
     ]
    }
   ],
   "source": [
    "data['date'] = pd.to_datetime(data['date'])\n",
    "begin = data.groupby('group')['date'].min()\n",
    "end = data.groupby('group')['date'].max()\n",
    "print('Первая дата наблюдения \\n',begin)\n",
    "print('Последняя дата наблюдения','\\n',end)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "e04eb341-52ae-48b3-9dc2-0578ca91641a",
   "metadata": {},
   "source": [
    "## **Задание 7.3.**\n",
    "\n",
    "* Чему равно количество посещений сайта в группах А и B?\n",
    "\n",
    "* Чему равно суммарное количество покупок в группах А и B?\n",
    "\n",
    "* Чему равна сумма всех покупок в группах А и B? Ответ приведите в миллионах рублей. Например, 185.52 млн. руб."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 88,
   "id": "02bf0148-488e-4f34-95bf-37794b2fa98b",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Количество посещений сайта в группах А и B \n",
      " group\n",
      "A    147202\n",
      "B    147276\n",
      "Name: user_id, dtype: int64\n",
      "Суммарное количество покупок в группах А и B \n",
      " group\n",
      "A    17723\n",
      "B    17514\n",
      "Name: purchase, dtype: int64\n",
      "Сумма всех покупок в группах А и B, млн руб \n",
      " group\n",
      "A    1436.26\n",
      "B    1554.10\n",
      "Name: price, dtype: float64\n"
     ]
    }
   ],
   "source": [
    "print('Количество посещений сайта в группах А и B \\n',data.groupby('group')['user_id'].count())\n",
    "print('Суммарное количество покупок в группах А и B \\n',data.groupby('group')['purchase'].sum())\n",
    "print('Сумма всех покупок в группах А и B, млн руб \\n',data.groupby('group')['price'].sum()/1e6)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2434db1b-17e6-4977-8e54-1df875c6f221",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.4.**\n",
    "\n",
    "Проверьте, есть ли пользователи, которые в процессе A/B-теста попали в обе тестовые группы? Если да, то сколько таких уникальных пользователей, если нет - введите в поле для ответа 0?\n",
    "\n",
    "**Подсказка:**\n",
    "\n",
    "*Создайте множество пользователей группы А и множество пользователей группы B. Пересеките два этих множества (операция intersection) и вычислите количество элементов в полученном множестве.*\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 89,
   "id": "57a2d711-057d-4f8b-9f56-df0f772d41c8",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "1895"
      ]
     },
     "execution_count": 89,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "a = data[data['group']=='A']['user_id']\n",
    "a_set = set(a)\n",
    "b = data[data['group']=='B']['user_id']\n",
    "b_set = set(b)\n",
    "user_intersection = a_set.intersection(b_set)\n",
    "len(user_intersection)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "118b1904-7d7a-4935-825e-535da45c611b",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Исключите пользователей, оказавшихся в обеих группах**\n",
    "\n",
    "Так как мы не можем определить, какая из версий сайта повлияла на принятие решения, исключим этих пользователей. Далее мы будем работать только с очищенными от пересечений данными.\n",
    "\n",
    "Возможный вариант исключения пользователей:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 90,
   "id": "f618b34b-35a3-4bf1-8d6d-38b3401930b7",
   "metadata": {},
   "outputs": [],
   "source": [
    "updated_data = data[data['user_id'].apply(lambda x: x not in user_intersection)]"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2bce6c9a-6580-4250-b280-204d40d20da2",
   "metadata": {},
   "source": [
    "Где user_intersection - множество пересечений пользователей групп А и B."
   ]
  },
  {
   "attachments": {
    "95f235d2-6323-4799-bf69-697fc57f727b.png": {
     "image/png": "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"
    }
   },
   "cell_type": "markdown",
   "id": "2ddf6b2c-7987-41f3-82b1-8992630ae97b",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.5.**\n",
    "\n",
    "Для первичного анализа результатов A/B-тестирования нам понадобится таблица следующего вида:\n",
    "\n",
    "![image.png](attachment:95f235d2-6323-4799-bf69-697fc57f727b.png)\n",
    " \n",
    " \n",
    "Для того, чтобы получить такую таблицу, сгруппируйте данные по признаку группы. В каждой группе рассчитайте следующие показатели:\n",
    "* количество посещений (количество пользователей)\n",
    "* количество совершенных покупок\n",
    "* сумма всех покупок в группе\n",
    "\n",
    "В полученной сгруппированной таблице переименуйте столбцы на **count_visits, count_purchases и sum_price**.\n",
    "\n",
    "**Подсказка:**\n",
    "\n",
    "*Для переименования столбцов можно использовать метод rename() с параметром columns, в который передается словарь. Ключи этого словаря - старые имена столбцов, а значения - новые.*\n",
    "\n",
    "Чему на этот раз равно количество посещений сайта в группах А и B?\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 91,
   "id": "5c0c018e-a250-48e9-b72a-e3c7be586ebd",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>count_visits</th>\n",
       "      <th>count_purchases</th>\n",
       "      <th>sum_price</th>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>group</th>\n",
       "      <th></th>\n",
       "      <th></th>\n",
       "      <th></th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>A</th>\n",
       "      <td>145307</td>\n",
       "      <td>17487</td>\n",
       "      <td>1417780000</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>B</th>\n",
       "      <td>145381</td>\n",
       "      <td>17290</td>\n",
       "      <td>1533010000</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "       count_visits  count_purchases   sum_price\n",
       "group                                           \n",
       "A            145307            17487  1417780000\n",
       "B            145381            17290  1533010000"
      ]
     },
     "execution_count": 91,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "gr_data = updated_data.groupby('group').agg({'user_id': 'count', 'purchase': 'sum', 'price': 'sum'})\n",
    "gr_data = gr_data.rename(columns={'user_id': 'count_visits', 'purchase': 'count_purchases', 'price': 'sum_price'})\n",
    "gr_data"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "b71e1390-9846-4a8e-b357-f82b847d1952",
   "metadata": {},
   "source": [
    "Приведите промежуточные выводы по построенной таблице. Сопоставимо ли количество посещений обоих вариантов посадочной странице, можно ли говорить о сбалансированности выборок?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "4ea1b65b-475e-4bff-9460-fac0acdb9620",
   "metadata": {},
   "source": [
    "Выборки можно считать сбалансированными, количество посещений обоих вариантов примерно равно."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "afb2ee0a-31d1-45a5-be42-a2bf168b9448",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.6.**\n",
    "\n",
    "Добавьте в сгруппированную таблицу столбцы conversion - конверсия покупки (отношение количества покупок к количеству посещений сайта в каждой группе, выраженное в процентах) и mean_check - средний чек (отношение суммы покупок к количеству покупок в каждой группе).\n",
    "\n",
    "* Чему равна конверсия в группах? Ответ приведите в процентах и округлите до сотых. Например, 75.12 %\n",
    "* Чему равен средний чек в группах? Ответ приведите в рублях и округлите до целых. Например, 120519 рублей."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 92,
   "id": "bd9c3b3e-5956-41a8-bae0-43693f6de1f2",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Конверсия в группе А    12.03 %\n",
      "Конверсия в группе B    11.89 %\n",
      "Средний чек в групп А   81076 руб\n",
      "Средний чек в групп B   88665 руб\n"
     ]
    }
   ],
   "source": [
    "gr_data['conversion'] = gr_data['count_purchases']/gr_data['count_visits'] * 100\n",
    "gr_data['mean_check'] = gr_data['sum_price']/gr_data['count_purchases']\n",
    "print('Конверсия в группе А   ', round(gr_data['conversion']['A'], 2),'%')\n",
    "print('Конверсия в группе B   ', round(gr_data['conversion']['B'], 2),'%')\n",
    "print('Средний чек в групп А  ', round(gr_data['mean_check']['A']), 'руб')\n",
    "print('Средний чек в групп B  ', round(gr_data['mean_check']['B']), 'руб')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "1eb6e140-c702-43e0-b301-9914a7f49448",
   "metadata": {},
   "source": [
    "Приведите промежуточные выводы по таблице. По какому(им) показателю(ям) вариант А эффективнее варианта B и наоборот?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9e88c883-84f9-44ec-accd-04d5d459b261",
   "metadata": {},
   "source": [
    "По показателю конверсии вариант А незначительно эффективнее варианта В. По среднему чеку вариант В заметно эффективнее варианта А."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "7f9f1ae0-f12f-49b3-8b57-1c299c208c49",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.7.**\n",
    "\n",
    "Теперь давайте сравним варианты по покупательской способности туров. Для этого постройте сводную таблицу, которая покажет зависимость количества продаж от группы и цены тура. "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 93,
   "id": "78d46a02-cc30-4783-9b18-9fc9c6a08012",
   "metadata": {},
   "outputs": [],
   "source": [
    "\n",
    "# Построим сводную таблицу, исключив строки без покупок, где признак 'price' равен нулю\n",
    "pivot = updated_data[updated_data['price'] > 0].pivot_table(\n",
    "    index='group', \n",
    "    columns='price', \n",
    "    values='purchase', \n",
    "    aggfunc='sum'\n",
    ")\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "977423ed-8f8d-475c-b773-621edd95338d",
   "metadata": {},
   "source": [
    "Визуализируйте полученную сводную таблицу с помощью тепловой карты с аннотацией. \n",
    "Чему равно количество проданных туров за 60000 рублей в группах?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 94,
   "id": "f634fa8d-585c-42e3-b7d5-78e8d9eaa8c5",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Количество проданных туров за 60 000 рублей в группах\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "group\n",
       "A    5271\n",
       "B    1730\n",
       "Name: 60000, dtype: int64"
      ]
     },
     "execution_count": 94,
     "metadata": {},
     "output_type": "execute_result"
    },
    {
     "data": {
      "image/png": "iVBORw0KGgoAAAANSUhEUgAAA0kAAACqCAYAAAB4QQTxAAAAOXRFWHRTb2Z0d2FyZQBNYXRwbG90bGliIHZlcnNpb24zLjUuMSwgaHR0cHM6Ly9tYXRwbG90bGliLm9yZy/YYfK9AAAACXBIWXMAAAsTAAALEwEAmpwYAAA1yklEQVR4nO3dd5QVRdrH8e8zgZxBQQkCgigoIEFBMawgCuqirlnXhGLcBV0zBlYw8K4YVkVlFQEjogKKERV1EVQQEQMgQV1Acs6TnvePrhkvw8wwjN65M8Pvc04fuquruqv61jRdt6rrmrsjIiIiIiIikaREZ0BERERERKQkUSNJREREREQkhhpJIiIiIiIiMdRIEhERERERiaFGkoiIiIiISAw1kkREZI9lZqmJzoOIiJQ8aiSJiMhuM7O/mVkFM2tpZj0TnZ/dYWZ9zOxLM/sVWG1mjRKdJxERKVnUSBLJxcw2xSxZZrY1Zvv8ROdPpITYB1gEjAc2JDgvhWZmtwDXAL3dfV93r+bu/0t0vkREpGQx/ZisSP7M7GfgMnf/INF5EZHfx8wqEzXs2rj7okTnR0RESi71JInsJjNLMrNbzGyBma02s1fMrFbY19jMPFdvVLqZDYhJnztOppldFvaVN7OHzezXsDxsZuXDvmNDz9YmM9sYhgsdHHPcMWa2zMzWm9mnZtYqZl89M3vfzNblladc5RtgZs+H9Qpm9omZDS7keUaY2ZNmNjHk8RMz2y/sezOce3Ou8j8Z9mdf041m9oOZnVbAZzAglCH2OruZNQ77q5vZKDNbaWa/mNntZpYU9l1sZpNjPsuXwpJkZo+b2ZBc53rDzK4L6z/n6lncZmYfx8R9xMwWmdkGM/vKzI4K4Z1z1Ye0mO1GIc6lZjbbzNaa2XvZ1y3m2LHnTov5jI41s8UFXKsuZjYlfPaLzOzimM9qUFivHa75VTHpLjez+Wa2JlyDfWP2uZk1C+uNQr6eLyAPvcxsZrguC8zsxBD+cbiG2ddiq0VfTGSnOyjEWWdm35vZn2P2VTSzIeHzXW9mk82sYtj35xB/XUh/UEjWCtgIPBau83wzuzzmmDl1P2ynFLZexVyz2TF1uJ2ZPZarjm4O6+/EXIPsv/8kM/s2v8/TCvgbMrMbzey1XPH/bWaPxJznPovuGxvMbLyF+9YurlnuurfEzK4t4LMuatxNZjYl5nN41cxGh2s5w8zahH2FKWdBdapIf8Nh39sWc38ws5fNbHh+5RORUs7dtWjRks8C/Ax0yxXWF/gcaACUB54CXgr7GgMOpMTEfx4YELPdNMRJDtsfE/VWAdwdjr03sBcwBRgY9h0LLA7rycB/gFdjjnspUDXk6WFgZsy++4F3gIp55SlX+QaE/SnAG8B/cu0v6DwjiB5Cjw77HwEm50q/0zUK4WcC+xJ9eXM2sBnYp6A8xmynhGM2DtujiIaBVQ3n+5FoeBXAxdl5AoaG65Iatg8DfgWSwnYdYAtQN6/6AFwGfByzfQFQO+TnH8AyoEKuvI8ABuUK6wXMBw4KaW8HpuSK8z+ga+7yx9aLPK7TfuHzOBdIDXlrG5sPoArwJXB7TLrjgFVAu/A5Pgp8GrPfgWZhfSSwOPbzyJWHw4D1wPHhs60PHJi77oftbsDPYT01XJPbgHIhTxuBFmH/4yF9faK/hyNCXg8gqjvHh2PcFI5TLlwrD597BaAtsBI47g+oV2cCS4COgAHNgP1yXYuc6xYTlnMNgEvCtczz8yzob4ho+ONmoEZM3lcA7WPOswQ4GKgMvMZvdSjfa5a73gPHAFlAtV3dM3cnbh5/3+nAGSE/NwA/hfXClDPPOvV7/4aBeuFcxwHnAwuBqgV9Vlq0aCm9i3qSRHbflUB/d1/s7tuJ/kM/w8xSCpm+HJDl7pl57DsfuNvdV7j7SuCfwF/ziJdE9GC4OjvA3Ye7+8aYPLUxs+q50hT2b96A4UQP0FfG7ijEed5y90/D/v5AZzNruKsTuvsYd//V3bPcfTQwj+gBe7eYWTJwDnBryOfPwBByXUczGwj8CfiLu6eHPHxJ9EDfNUQ7h+gBanlhzu3uz7v7anfPcPchRA/tLQqR9ErgPnef7e4ZwL1AW9uxN6kckFaYfMQ4D/jA3V9y9/SQt5kx+8sD44DZ7j4oJvx8YLi7zwif461En2Pj2IObWWugM1FDKT+9w7Emhs92ibvPKUTeOxHVv/vdPc3dPwImAOeG3ptLgb7heJnuPiXk9WyiOjgxfK4PABWJGlEQPbTf7O7bwrV4GrhwV5kpRL26DPg/d5/mkfnu/kshypl9/ArAncDAwqaJ5e5LgU+JGmsAJwKr3P2rmGjPuft37r4ZuAM4K5RrV9csVgrRO2iFqYu7Eze3r9z91ZCfB4katZ0KWc4iK+hv2N2XAVcR1fdHgAvdfeMfcV4RKXnUSBLZffsBY8OwlHXAbCATqFvI9LWAtfns2xeIfbD6JYTl7A/n3Aj0IPqGHzNLNrP7LRrKtIHo21KIekIgepjbAmwM6c/aRR5PI+rVaEXUo0UhzwPROx8AuPsmYE2uMuTJzC60aEhW9nU9ONdxC6sO0TfOua9j/ZjtdsDpIW7TXOlHEn2bTPj3ucKe2MxuCMOt1ocyVKdwZdgPeCSm7GuIGqr1w3ENqEEB9SakXWtmX5vZCSG8IbCggPNeQ9SrcISFoWrZxyPm+oXPcTU7XkOAwUQP2+kFnGNXecjPvsAid8+KCcv+HOsQPTTnddzcec8iqpP1ge3AmlwPtrnrxlkxn8OqmPBd1auiljNbX+BdYO7vOMau6m7se1i/EJWnDgVfs2zjwt/8+8C97r6tgHzsTtz8xN5Hsoh62LLvI0X+G92VQvwNv0n0BdVcd5/8R51XREoeNZJEdt8ioIe714hZKrj7kkKmP4BomE5efiV6YM7WKITl7Hf3GkTf8t5CNGQGoh6DXkRDS6oTDceB6EGb0Cv1X+CdkP6VXeRxIVEvyzNEQ5OyFXieIKfXyMyqEDUKY8uwk9Bj8h/gWqB2yON3uY5bWKuIHtpzX8fYz2d9KEN/YHj4Nj3b80Cv8A7EQUQ9LbsU3l24iagBWjOUYX0hy7AIuCJXnaro7lPC/v2IvpVfmE/67HpRi6jhnN2zswjYv4DzTgGOAqYB98Qej5jrZ9GEB7XZ8RoeF8J2VZd2lYf8/Ao0tJh3fvjtc1wFbMvnuLnzbkR1cgnRkMVaZlY1j2NmeyX7M2DHh+Nd1auilhOiz+1aop7j32Mc0NqidxVPBl7ItT+2R7cRUXlWUfA1y3aqu1cL6fqaWecC8rE7cfMTex9JIhrenH0fGUfB5SySQv4N30P0xdg+ZnbuH3FeESmZ1EgS2X1PAvfYbxMS7GVmvQqTMAw760v+D94vAbeHY9YhGn6z0wvx7u5EvVfZD3FVib4lXw1UIhquFXvexsDNwNWFySfRe0abiB7aDjSzswtznqCnRZMFlCMaOvS573omscpE71isDPm9hKgnabeFYYyvEH1GVcPndD07XscF7r7U3YcRDQe6ISb9YqJGw3PAa+6+tZCnrgpkhDKkmNmdQLVCpn0SuNXCJBgWTRBwZlivCtwFvO/uWwo6SKgX6/jt3v4C0M3MzrJoEoLaZtY2JsnnYXjf34mGsWU/zL4EXGJmbS2aOORe4IswxCzbAOCmcM6CPBOO1dWiiQnqm9mBu0gD8AVR7+dNZpZqZscCpwAvh56F4cCDZrZv6OHsHPL6CnBSOF8q0Xsl24ne8VoCTAbus2hSktZEwwHznXQiWyHq1dPADWbW3iLNcg2XLEg/4JkwnKvIQo/Nq8CLwJe+89TmF1j0u1aViN5/fDWmXHleszxOkz1MeK889v2euLm1N7PTwzDmfiE/n0OhyllUBf4Nm9nRRO+NXQhcBDxqZrl7V0WkjFAjSWT3PUI0ocH7ZraR6D/uwwuZ9j2iF4sfymf/IGA6MAv4FpgRwrLta2F2O6JekEtD+Cii4TJLgB9CnmI9RfRuR6HfkQAI73hcAjwcGm27Og9EDy53EQ0Za89vw2IKOs8PREMCpwLLgUOAz3Ynr7n8jejl7oVED8UvEj1U5+Uyoofb2HeHRoY87M4wnveIhkv9SHSNtrHj8KZ8uftYoqFrL4dhSt8RDaeEqGeoVshnfuqZ2WKLZkUbRPTgT3h47En00LsGmAm0yeP8q4iu2XAzK+/RlPd3EPVULiXqITknV7Kv3f3jQpTtS6I69BDRt/KfsGNvTH7p0ogaRT2IejuGEr0Dkv0+0w1EfyPTQtkGE024MZeozj0a0p0CnBKOB9H7Vk1CuV4H7vTCT/Gfb71y9zFEvQwvEg2HHUf0uRVGMtF7QH+Eguruc0QTdiwjGq74d4BCXDOAN81sE9G96XXgrQLysDtx8zOe6F2ptUTvfZ0e3k/KVpS/0V3J92/YzKoR3f+uDe/B/ZfoC4BnQ8+biJQx+p0kEfnDmNkIopm5bk90Xn6P8I3x80Szk+kmKaWGRVPKzwHqufuGmPCPiWazezpReSssi36eoJm75/sFS37lFBH5o6gnSUQkRhhu1Bd4Wg0kKU3CuzvXEw1JLLMNhz2lnCKSWIWdslhEpMyz6Ac0pwPfEA0REykVwuQay4mGiZ2Y4OzEzZ5SThFJPA23ExERERERiaHhdiIiIiIiIjHUSBIREREREYlRYt9JSlv0jcYBSpFYxaq7jiSShzqNj090FqSU+qB660RnQUqpI1dNS3QWpBRK27641E09n75qYZ7P9ql1mpbIspTYRpKIiIiIiJQR6dsTnYPdokaSiIiIiIjElWdmJDoLu0WNJBERERERia8M9SSJiIiIiIjkKG09SZrdTkRERERE4iszI+9lF8zsZzP71sxmmtn0EFbLzCaa2bzwb80Qbmb2bzObb2azzKxdzHEuCvHnmdlFuzqvGkkiIiIiIhJf6dvzXgrnT+7e1t07hO1bgA/dvTnwYdgG6AE0D0sf4AmIGlXAXcDhwGHAXdkNq/yokSQiIiIiIvFVxJ6kfPQCRob1kcCpMeGjPPI5UMPM9gFOACa6+xp3XwtMBE4s6ARqJImIiIiISFx5Vnqei5n1MbPpMUuf3EmB983sq5h9dd19aVhfBtQN6/WBRTFpF4ew/MLzpYkbREREREQkvvIZWufuw4BhBaTs4u5LzGxvYKKZzcmV3s0szx+q/T3UkyQiIiIiIvFVxOF27r4k/LsCGEv0TtHyMIyO8O+KEH0J0DAmeYMQll94vtRIEhERERGR+CpCI8nMKptZ1ex1oDvwHfAGkD1D3UXA+LD+BnBhmOWuE7A+DMt7D+huZjXDhA3dQ1i+NNxORERERETiygs/k12susBYM4Oo3fKiu79rZtOAV8ysN/ALcFaI/zbQE5gPbAEuAXD3NWY2EJgW4t3t7msKOrEaSSIiIiIiEl9FmMnO3RcCbfIIXw10zSPcgWvyOdZwYHhhz61GkoiIiIiIxFfRp/tOCDWSREREREQkvtLTEp2D3aJGkoiIiIiIxJd6kkRERERERGJkqCdJRERERETkNxnqSRIREREREflNZmaic7Bb1EgSEREREZH40sQNIiIiIiIiMdSTJEV1wvnXUKliBZKTk0hOTmb00Pt575OpPDFqDAv/t4SXHruXVi32ByA9I4MBQ57kh3k/kZmVxZ+7Hc1l553GshWruG3w46xeuw4z44yTunHB6T0TXDKJt+5/uYjKlSqRlBTVnVeG/5sHHnuaTz77gpTUFBrW34dBt11PtapVmPDeRzz74ms5aX9c8BNjhj/KgQfszyNPjeCNdz9kw8ZNTPtgbAJLJMXhsaH3c2KP41i5cjWdD+sBwCGHHMRDjwykfIXyZGZkcv11dzLjq1n0PKkb/e+4jqysLDIzMrnl5oF8PvUrDjnkIB58+G6qVqtCZmYWQ/41lNdfeyvBJZN4svKpHPjaPSSVT8GSk1nz1lR+HfJyzv5Gd/emzjldmXHAeQA0HHAJ1Y44BICkiuVJqV2dr1teAECD/hdSo2t7SEpiw6cz+d+dzxR/gaTYDHvqAXr27MbKlas4tF03AF54figHHBA921SvXo316zfQ8bAT6Nr1KO4ZdCvlypUjLS2NW24dxMcfT9nheK+/NpwmTRrlHEtKOM1uJ7/H8CF3UbN6tZzt5o0b8tCAG7j7oWE7xHv/k89JS89g7NND2LptO6f2vp4exx1JudRUbrjyr7Rs3pTNW7Zy9lW30Ll9a/bfr0FxF0WK2fBH76dmjeo52507Hkq/Ky8hJSWZB4c+w9PPjeb6q3tz8gnHcfIJxwFRA+nvt9zNgeE/qGOPPJzz/vJnep7TOyFlkOL14guv8Z+nnuPJ/zyQE3b3oJu5/75H+WDiJxzf/VjuHnQzJ/c4n08+nsLbb30AQKtWLRjx3KN0bNedLVu3ckWfG1m44Gfq1dubTyaP58MPPmX9+o2JKpbEmW9PZ+5Zd5K1ZRuWksyBY+9l/aQZbJ7xI5Va709yjSo7xF804Nmc9b0v6Umlg5sCUKVDC6p0PJDvul0HwEHj7qVq51ZsnPp98RVGitWo58Yw9IkRPDv84Zyw8y+4Omd98OA72BDuHatXreG00y9h6dLltGrZggkTXqBJ0w45cU/t1YNNm7YUW97l9/P09ERnYbckJToDUrCm+zWgScN9dwo3g63btpGRmcn27WmkpqRQpVIl9qpdk5bNo/+AKleqSJNG9Vm+ak1xZ1tKgCMPb09KSjIArVsdyPIVq3aK8/bET+jR7Zic7TYHH8RedWoVWx4lsaZ8No21a9ftEObuVKsWPeRWq16VZUtXALB5828PI5UqV8LdAVgw/2cWLvgZgGXLVrBy5Wpq16kd/8xLQmVt2QaApSRjqcngDklJNLzjIhYPGpVvutqnHsWacf8FQpLy5bByKSSVS8FSkklfub5Y8i+JMXnyFzvdc2Kd8ZdTGP3KeABmfvM9S5cuB+D7H+ZSsWIFypUrB0DlypXo2/dy7rvvkbjnWf5AGZl5LyVUsfUkmVkX4Fx3v6a4zlnamMEVN98DBmeedDxnnpx/9/HxR3di0pTpHHdWH7ZtT+PGKy+ierUdv71bsmwFc+b/ROsDm8U765JgZkaf6/pjZpzZqwdn9tpxiOXYt97nxK7H7JTu3Q8/4dHBdxVXNqUUuOXmQbw+bgQD77mVpCSje9czc/adfEp37vrnDexVpzZnnnHZTmnbtW9NuXKp/LTwl+LMsiRCUhKt3n2A8o3rsWLEO2z+eh51e5/Muvenkb5ibZ5JytXfi3IN92bDZ98CsPmruWyc8i1tZwwHgxUj3mHb/MXFWQopQbp0OZwVK1Yyf/5PO+07/bST+Hrmt6SlRS/+DxhwIw8/PIwtW7cWdzbl99A7Sb8xs0OB84AzgZ+A1+N5vtJu5MMDqVunFqvXrqfPzYNo0mhfOrRumWfc7+bMJykpiQ9HP8WGjZu5+Lo76dTuEBruWxeALVu3cd0/h3Dz1RdTpXKl4iyGJMCoJx6g7l51WL12HZf3u40m+zWkQ9voHYCnRr5EcnIyJ3f/0w5pZn0/h4oVKtC8aeME5FhKqt6Xnc9ttwzijfHvcdrpPXls6P30OuVCACa8+T4T3nyfI47syO13XJcTDlC37l4M+88QrrzixpxeJinDsrL4vvv1JFerRLNnbqHK4S2pefIRzDnj9nyT1OrVhbVvTYWsLADKN65HheYN+KZD1OBu8fIA1h92EJu+nF0sRZCS5eyze+X0IsVqedAB3HPvrZx00vkAtGndkv2b7seNN/6T/fQqQemypw+3M7MDzOwuM5sDPAr8DzB3/5O7P7qLtH3MbLqZTX/6hVf/6KyVeHXDMKfaNavT9ciOfDdnfr5x3/poMl06tiU1JYXaNavTtlULvv9xARBN6nDdgCGc1PUouh11eLHkXRKr7l51AKhdswZdjz6Cb3+YC8C4tyby6WdfMviumzCzHdK888GOQ+1EAM4973TeGP8eAGNff5t27VvvFGfKZ9No3LghtWrXBKBq1SqMee1pBt49hOnTZhZndiXBMjdsYeNn31HtiIOp0LgerT97gtafP0VSxfIcMnnoDnFr9erCmvH/zdmueWInNs34kawt28jaso31H82gSvsWxV0EKQGSk5M5tVcPxox5c4fw+vX3YcyYp7n00n4sDD3Uh3dqT7t2rflx7lQmfTSW5s2bMvH9MYnItuwmz8jMcymp4vFO0hzgOOBkd+8SGkaFugLuPszdO7h7h8vOPyMOWSu5tmzdxuYtW3PWp3w1i2aNG+Ubf5+96/DFzO9y4s+aPY8mjerj7tz1wJM03a8+F51xcrHkXRJry9ZtOe+LbNm6jSlfzqB508ZM/nw6w18cw6OD76JihQo7pMnKyuK9j/6rRpLsZNmy5XQJX64cc+wRLFwQPZg0bbpfTpw2bVpRrnw51qxeS2pqKi+89AQvvTiW8ePeTUiepXil1KpGcrVohIJVKEe1o9uw+duFzDz0UmZ1uoJZna4ga+t2vu3y2wv5FfavT0r1KmyaPjcnLO3XlVTt1AqSk7CUZKp2bsVWDbfbI3XtehRz5y5gyZKlOWHVq1dj/LiR9O9/H1OnTs8JHzbsORo36cABLTrzp+NOY968hRzf/cy8DislTWZm3ksJFY/hdqcD5wCTzOxd4GXACk4iq9eup9+AaIapzMxMeh7XhS6HteXDyV9y72PDWbt+A1f3v58D92/MU4P7c26vE7n9X0M5tff1uDunnvAnWjTdjxnfzuHNDz6leZNGnHHFjQD8/dJzOfrwdoksnsTR6jVr6XvbQAAyMzLp2f1YunTqQI+zLiUtPZ3L+/UHoskb7rrpbwBMn/kd9fauQ8P6++xwrCGPP8PbEyexbdt2up56AaefciLX9L6geAskxeaZZx+my1GHU7t2TX6YO5n77nmEv197G4P/706SU5LZvm07ff8W1Z8/9zqBc847jfT0DLZt3cYlF/0dgNNO78kRR3akZq0anHfBXwC4+oqb+PZbDZkqq1Lr1qTJw3/HkpIgKYm1b37G+g+mF5gm6kWavEPYmglTqXrkIRz84SPgzvqPv2b9xIKPI6Xbc6Me4+ijO1OnTi0WLpjG3QOHMGLEy5x15p8Z/cq4HeJefdXF7L9/Y/r370f//v0A6HnSeaxcubr4My5/jLTSNQW4xWvsuJlVBnoB5xL1LI0Cxrr7+4VJn7boGw1qlyKxilUTnQUppeo0Pj7RWZBS6oPqOw9LFCmMI1dNS3QWpBRK27641HVAbO5/Zp7P9pXvGVMiyxK3KcDdfbO7v+jupwANgK+Bm+N1PhERERERKZlK2ztJxTIFuLuvBYaFRURERERE9iTppWu4XbH9TpKIiIiIiOyZPCMr0VnYLWokiYiIiIhIfJWyiRvi9k6SiIiIiIgIgGdm5bkUhpklm9nXZjYhbDcxsy/MbL6ZjTazciG8fNieH/Y3jjnGrSF8rpmdsKtzqpEkIiIiIiJx5RlZeS6F1BeI/W2JwcBD7t4MWAv0DuG9gbUh/KEQDzNrSfQTRa2AE4GhZpZc0AnVSBIRERERkbjytKw8l10xswbAScDTYduIfl7o1RBlJHBqWO8Vtgn7u4b4vYCX3X27u/8EzAcOK+i8aiSJiIiIiEh8ZXjey649DNwEZLeoagPr3D37JafFQP2wXh9YBBD2rw/xc8LzSJMnNZJERERERCSuPMPzXMysj5lNj1n6ZKcxs5OBFe7+VXHnV7PbiYiIiIhIXGWl5d1r5O4F/ZbqkcCfzawnUAGoBjwC1DCzlNBb1ABYEuIvARoCi80sBagOrI4JzxabJk/qSRIRERERkbjyjLyXAtO43+ruDdy9MdHECx+5+/nAJOCMEO0iYHxYfyNsE/Z/5O4ews8Js981AZoDXxZ07kL3JJlZPaIXnByY5u7LCptWRERERET2XLtqEO2mm4GXzWwQ8DXwTAh/BnjOzOYDa4gaVrj792b2CvADkAFc4+6ZBZ2gUI0kM7sMuBP4CDDgUTO7292H736ZRERERERkT5KVbr8rvbt/DHwc1heSx+x07r4NODOf9PcA9xT2fIXtSboRONTdVwOYWW1gCqBGkoiIiIiIFCgr4/c1kopbYRtJq4GNMdsbQ5iIiIiIiEiBsjLLZiNpPvCFmY0neiepFzDLzK4HcPcH45Q/EREREREp5TJ/53C74lbYRtKCsGTLnkGi6h+bHRERERERKWuyMkrXpNqFaiS5+z/jnRERERERESmbMstiI8nMJhENs9uBux/3h+dIRERERETKlMwy+k7SDTHrFYC/EM0xLiIiIiIiUqCszDLYk+TuX+UK+szMCvyVWhEREREREYCMMjrcrlbMZhLQHqgelxyJiIiIiEiZkpVVNofbfUX0TpIRDbP7Cegdr0yJiIiIiEjZkZlVBnuS3L1JvDOyEytdF1JKjsr1j050FqSU2vzzxERnQUqpae1uT3QWpJTK8p3mxRIpkzLK4jtJZpYKXAVkP31+DDzl7ulxypeIiIiIiJQRmV42h9s9AaQCQ8P2X0PYZfHIlIiIiIiIlB1lcrgd0NHd28Rsf2Rm38QjQyIiIiIiUrakl7KepMI26TLNbP/sDTNrCmTGJ0siIiIiIlKWZJKU51JS7c6PyU4ys4VEM9ztB1wSt1yJiIiIiEiZkUnp6knaZSPJzJKBNkBzoEUInuvu2+OZMRERERERKRvSS1kjaZd9XO6eCZzr7tvdfVZY1EASEREREZFCyTDLcympCjvc7jMzewwYDWzODnT3GXHJlYiIiIiIlBmlbTKDwjaS2oZ//xn+NcCB4/7oDImIiIiISNmSXoJ7jfJS2EbSBKJGUXbpHNhgZm3dfWY8MiYiIiIiImVDSR5al5fCzrvXHrgS2AfYF7gCOAH4j5ndFKe8iYiIiIhIGZBueS8FMbMKZvalmX1jZt+b2T9DeBMz+8LM5pvZaDMrF8LLh+35YX/jmGPdGsLnmtkJu8pvYRtJDYB27n6Du/+DqNG0N3A0cHEhjyEiIiIiInugTMt72YXtwHHu3obo9Z8TzawTMBh4yN2bAWuB3iF+b2BtCH8oxMPMWgLnAK2AE4GhYQbvfBW2kbR3yGS2dKCuu2/NFS4iIiIiIrKDjHyWgnhkU9hMDUv2vAivhvCRwKlhvVfYJuzvamYWwl8Os3X/BMwHDivo3IV9J+kF4AszGx+2TwFeNLPKwA+FPIaIiIiIiOyBdjW0Lj+hx+croBnwOLAAWOfu2W2sxUD9sF4fWATg7hlmth6oHcI/jzlsbJo8FaqR5O4Dzewd4MgQdKW7Tw/r5xfmGCIiIiIismfKb2idmfUB+sQEDXP3Ydkb4Tdb25pZDWAscGD8cvmbwvYkERpF03cZUUREREREJEZ+Q+tCg2hYPrtj460zs0lAZ6CGmaWE3qQGwJIQbQnQEFhsZilAdWB1THi22DR5Kuw7SSIiIiIiIkVSxNnt9go9SJhZReB4YDYwCTgjRLsIyH4l6I2wTdj/kbt7CD8nzH7XBGgOfFnQuQvdkyQiIiIiIlIUmXhRku0DjAzvJSUBr7j7BDP7AXjZzAYBXwPPhPjPAM+Z2XxgDdGMdrj792b2CtFcChnANWEYX77USBIRERERkbgqsEWSD3efBRyaR/hC8pidzt23AWfmc6x7gHsKe241kkREREREJK7SrEg9SQmjRpKIiIiIiMRVUXqSEkmNJBERERERiasivpOUMGoklSAnnHcVlSpVJDkpieTkJEY/8X8MeWoUH0+dTmpKCg33rcfAm66hWpXKADz94uu8/s5HJCclccu1l3Jkx7YA3PGvx/n086+oVaM6Y595KIElkuIw7KkH6NmzGytXruLQdt0AeOH5oRxwwP4AVK9ejfXrN9DxsBPo0KEtTwwdDICZMXDgg4x/410Aunc/lgeH/JOk5GSeHf4S/3rg8cQUSIpN97Mvp3KliiQlJZGcnMwrw4bwwBMj+GTKNFJSo3vOoJv/RrWqVZgyfSYPDxtFenoGqakp/OPKizm8XWs2b9nKhX+7NeeYy1eu5uTjj+GWv12WwJJJPFn5VA4eO5CkcqlYSjKrJ0xl0QOjc/Y3GXgpe597HF80uwCAuhd2p97FJ0JmFplbtrHgxifZ+uNiLCWZ/YdcReVDmmIpyawc8zFLHh2bqGJJMfjPsCGc1LMbK1auou2hXXPCr7n6Eq666mIyMzN5550PueXWe0hNTeWJoYNp3741WVnO9dffySefTt3heGNff5YmTRrtcCwpudLVSJLfY/iQAdSsXi1nu3P71vS97HxSkpN5cNhzPP3i61zf568s+HkR70z6jHHPPMSK1Wu4/Ma7mTDy3yQnJ9PrhD9xbq8e9B/8aAJLIsVl1HNjGPrECJ4d/nBO2PkXXJ2zPnjwHWxYvxGA77+fQ6fOPcnMzKRevb2ZPu19Jrw1EXfnkUcG0bPneSxevJSpU95iwoT3mT1nXnEXR4rZ8IcGUbNGzD2nQxv6Xf5XUlKSefCpkTz94mtcf8VF1KxejcfuvZ2969Ri3sJfuOKmf/LRq8OpXKkirz3zcE76s/pcT7ejOyegJFJcfHs6358xgKwt27CUZA4eP4i1H81g04x5VG6zP8k1quwQf9Xr/2X5qPcBqNm9A40HXMzs8wZR+5TOJJVL5ZvjriepYjnafvIIq8ZOZvvilYkolhSDUaNeYejQZ3n22Udywo495gj+fMoJtGt/PGlpaey1V20ALut9HgCHtuvGXnvVZsKbz9Opc0+i2Zzh1FN7sGnT5uIvhBRZaetJ0u8klXBHdGhLSnIyAG1aHsDyVasBmDRlGj3+dCTlyqXSYJ+6NKpfj2/nzAegQ+uWVK9WJd9jStkyefIXrF27Lt/9Z/zlFEa/Ev18wNat28jMjEYFV6hQPuc/m44d27Jgwc/89NP/SE9P55VXxnPKKd3jnncpeY7seCgpKdE9p3XLFixfGd1zDmrelL3r1AKgWZNGbNueRlpa+g5pf160hNVr19O+dcvizbQUu6wt2wCw1GQsNQUcSEqi8R0X8svAUTvEzdy0NWc9uVIFCPcdHJIqVYDkJJIqlMPTMnaIK2XPfyd/wZpc/19dccWF/N+/HictLQ2Aldn3nIMOYNLHn+WErV+3gQ7t2wBQuXIlruvbh3vvewQpPdLxPJeSqtgaSWZWx8x28ZNRezYz44qbBnLWlTcxZsLEnfaPfecjunRsB8DyVWuou1ednH1169Rmxao1xZZXKR26dDmcFStWMn/+TzlhHTseysyvP2TGVx9w7bW3kpmZSf1992HxoqU5cZYsWca+9fdJRJalGJkZfW4cwFl9rmfMm+/ttH/s2x/Q5bB2O4VP/GQqLZs3pVy51B3C3/loMif+qQu61e8BkpJoM/EBOn47nPWffMOmr+exz6U9WPP+NNJXrNsper2LT6Td1MfZ7/a/8tPtwwFYPWEqWVu20fGbp2k//Sl+ffINMtZtKuaCSKI1b96ULl0OY8rkN/nog1dzGkKzZv3AKSd3Jzk5mcaNG9Ku3SE0aLgvAHcPuIkHH36KLVvUqC5NMvA8l5IqLsPtzKwTcD/RjzgNBJ4D6gBJZnahu78bj/OWdiMfHkjdvWqzeu16+tx0N00a1adD+EZ22AuvkZyczMndjkpwLqU0OfvsXjm9SNmmTfuatod25cADm/HM0w/z7nuTEpQ7SbRRj94X7jnruPyGATRp1IAObVoB8NRzY6J7zvHH7JBm/k//48FhIxn2rwE7He+dj/7Lfbf1K4acS8JlZfHN8TeQXK0SBw6/mWqdWlL7lM58d/qdeUZfNuJdlo14lzqndaFBv78wv+9jVDm0GZ6VxfS2l5NSvTIHjxvEuk9nsf1/y4u5MJJIKSnJ1KxZgyO6nELHDm156cUnad6iM8+OeJmDDmzOF5+/w//+t5ipU6eTmZlJmzataLr/fvzjxgHst1+DRGdfdoOG20UeA+4FXgI+Ai5z93rA0cB9+SUysz5mNt3Mpj/9wqtxylrJVTeMw61dszpduxzGd+F9kHHvTuKTqV9x/219c76hrVunFstXrspJu3zV6pyhMCIAycnJnNqrB2PGvJnn/jlz5rNp02ZatWrBkl+X0qDhbz1H9evX49clS/NMJ2XHb/ecGnTtcjjfzg73nHc+5NOp0xl8+/U79AotW7GKvnfcz7239qNRrp7GOfN/IjMzi1YtmhVfASThMjdsYf1n31HtiFZUaFyPdlMfp92XT5BUsTyHTnlsp/irxn1GrROj33+sc9pRrJs0E8/IJH31BjZMm0OVNvsXdxEkwZYsXsq4ce8AMG36TLKysqhTpxaZmZn848YBdOjYndP/cik1alRn3ryFdDq8Pe3btWb+j5/zyaRxHNC8KR9OHJPgUkhhpHtWnktJFa9GUoq7v+/uY4Bl7v45gLvPKSiRuw9z9w7u3uGy88+IU9ZKpi1bt7E5dBtv2bqNKdO/oVnjRkz+8mueHT2eRwfdTMUK5XPiH3tER96Z9BlpaeksXrqcX5Ys5ZAD9XAiv+na9Sjmzl3AkpjGTuPGDUkO77g1alSfFi3255dfFjF9+jc0a9aExo0bkpqaylln9WJCHkM+pezY+Z4zk+ZNGjH5ixkMf3ksj9572w73nA0bN3H1rYPo1+evtDvkoJ2O986H/6VHV/V07wlSalcjuVolAJIqlKPGMa3ZPGsh09tcxozDrmLGYVeRtXU7Xx9xLQAVmvzWoK7ZrT3bforuSWlLVlH9yIOj41QsT9X2B7B1/pJiLo0k2vg33uPYY48AoqF35cqVY9WqNVSsWIFKlSoC0K3rUWRkZDB79jyeGjaKRo3b0+yAThzzp1P5cd5Cuh5/ZiKLIIWUiee5lFTxmt0utlmYe8Boyb0aCbR67Xr63fV/AGRmZtKz61F0OexQev71WtLS0+lz00AAWh/UnDuvu4JmjRtywrFH0OvSfqQkJ9P/b5flPPzeNOghpn3zPevWb6Tr2X245qKzOb2npscsq54b9RhHH92ZOnVqsXDBNO4eOIQRI17mrDP/zOhXxu0Q98gjDuPGG68mPT2DrKws/t63P6tXrwWgX787eGvCCyQlJzFyxGh+mP1jAkojxWX12nX0veN+IPueczRdDm9Hj/OuJC09ncv/cRcQTd5w1z+u4qWxb7NoyVKeHDmaJ0dG0z0Pe2AAtWvWAOC9jz9j6P13JKQsUrzK7V2TZo9ciyUnY0nGqjemsPaDr/KNX+/SHtQ4qjWenkHG+s3M+3vUw7T02Xdp9vA1tP34YTBY8fIktsz+pZhKIYnw/HOPc0z4/+rnhdP5590P8OyIl3n6P0OY+fWHpKWlc2nvfgDsvXcd3n7rRbKysvh1yTIuuuTvic28/G4luUGUF8ue3eoPPahZJrAZMKAisCV7F1DB3VPzS5stbfG3petKSolRZf8eic6ClFKbf1bvmRTNtHa3JzoLUkodvfrzRGdBSqGMtCWlboac0/f7c57P9q//8kaJLEtcepLcPTkexxURERERkdInswS/f5QX/ZisiIiIiIjEVWkbbqdGkoiIiIiIxFVJnskuL2okiYiIiIhIXGWiRpKIiIiIiEgOvZMkIiIiIiISI0ONJBERERERkd9kaLidiIiIiIjIbzTcTkREREREJEaGZyY6C7tFjSQREREREYmr0taTlJToDIiIiIiISNmW4Zl5LgUxs4ZmNsnMfjCz782sbwivZWYTzWxe+LdmCDcz+7eZzTezWWbWLuZYF4X488zsol3lV40kERERERGJq0zPynPZhQzgH+7eEugEXGNmLYFbgA/dvTnwYdgG6AE0D0sf4AmIGlXAXcDhwGHAXdkNq/yokSQiIiIiInFVlEaSuy919xlhfSMwG6gP9AJGhmgjgVPDei9glEc+B2qY2T7ACcBEd1/j7muBicCJBZ1b7ySJiIiIiEhcZWRl5BluZn2Ien2yDXP3YXnEawwcCnwB1HX3pWHXMqBuWK8PLIpJtjiE5ReeLzWSREREREQkrvLrNQoNop0aRbHMrArwGtDP3TeYWWx6NzP/A7MKaLidiIiIiIjEWRHfScLMUokaSC+4++sheHkYRkf4d0UIXwI0jEneIITlF54vNZJERERERCSuMrIy81wKYlGX0TPAbHd/MGbXG0D2DHUXAeNjwi8Ms9x1AtaHYXnvAd3NrGaYsKF7CMuXhtuJiIiIiEhcFfF3ko4E/gp8a2YzQ9htwP3AK2bWG/gFOCvsexvoCcwHtgCXALj7GjMbCEwL8e529zUFnViNJBERERERiavMrN1vJLn7ZMDy2d01j/gOXJPPsYYDwwt7bjWSREREREQkrtJ3MbSupFEjSURERERE4qqIw+0SRo0kERERERGJqyw1kkRERERERH5TlHeSEsmi95uktDGzPnn9GrFIQVRvpKhUd6SoVHekqFR3JJH0O0mlV59EZ0BKJdUbKSrVHSkq1R0pKtUdSRg1kkRERERERGKokSQiIiIiIhJDjaTSS2N0pShUb6SoVHekqFR3pKhUdyRhNHGDiIiIiIhIDPUkiYiIiIiIxFAjKYHMbLiZrTCz72LCapnZRDObF/6tGcLNzP5tZvPNbJaZtYtJc1GIP8/MLooJb29m34Y0/zYzK94SSjyZWQ0ze9XM5pjZbDPrrPojeUnUvSa/c0jpkE+9GWBmS8xsZlh6xuy7NdSBuWZ2Qkz4iSFsvpndEhPexMy+COGjzaxcCC8ftueH/Y2LqcjyBzGzhmY2ycx+MLPvzaxvCNd9R0oPd9eSoAU4GmgHfBcT9n/ALWH9FmBwWO8JvAMY0An4IoTXAhaGf2uG9Zph35chroW0PRJdZi1/aP0ZCVwW1ssBNVR/tORTVxJyr8nvHFpKx5JPvRkA3JBH3JbAN0B5oAmwAEgOywKgabhPfQO0DGleAc4J608CV4X1q4Enw/o5wOhEXwstu1139gHahfWqwI+hjui+o6XULOpJSiB3/xRYkyu4F9HDL+HfU2PCR3nkc6CGme0DnABMdPc17r4WmAicGPZVc/fP3d2BUTHHklLOzKoTPcA8A+Duae6+DtUfyUMC7zX5nUNKgXzqTX56AS+7+3Z3/wmYDxwWlvnuvtDd04CXgV7hW//jgFdD+tx1MLvevAp0VU926eLuS919RljfCMwG6qP7jpQiaiSVPHXdfWlYXwbUDev1gUUx8RaHsILCF+cRLmVDE2Al8KyZfW1mT5tZZVR/pPCKo67kdw4p3a4NQ6KGxwxl2t16UxtY5+4ZucJ3OFbYvz7El1IoDJc8FPgC3XekFFEjqQQL345o+kHJSwrRMJgn3P1QYDPRsIIcqj9SWMVRV1Qfy4wngP2BtsBSYEhCcyMlmplVAV4D+rn7hth9uu9ISadGUsmzPHQjE/5dEcKXAA1j4jUIYQWFN8gjXMqGxcBid/8ibL9K1GhS/ZHCKo66kt85pJRy9+XununuWcB/iIbTwe7Xm9VEQ6pScoXvcKywv3qIL6WImaUSNZBecPfXQ7DuO1JqqJFU8rwBZM/echEwPib8wjADTCdgfehOfg/obmY1w7CH7sB7Yd8GM+sUxnJfGHMsKeXcfRmwyMxahKCuwA+o/kjhFUddye8cUkplP3wGpwHZM9+9AZwTZqZrAjQnerF+GtA8zGRXjmgihjfCN/yTgDNC+tx1MLvenAF8FOJLKRHuBc8As939wZhduu9I6ZHomSP25AV4iWi4QjpRz0BvonHXHwLzgA+AWiGuAY8TzRL0LdAh5jiXEr0kOx+4JCa8A9F/YAuAxwg/HqylbCxEw12mA7OAcUQz/6j+aMmrriTkXpPfObSUjiWfevNcqBeziB5G94mJ3z/UgbnEzIZJNHPZj2Ff/5jwpkQNqfnAGKB8CK8QtueH/U0TfS207Hbd6UI0zG0WMDMsPXXf0VKaluwKJSIiIiIiImi4nYiIiIiIyA7USBIREREREYmhRpKIiIiIiEgMNZJERERERERiqJEkIiIiIiISQ40kEREpkJndbWbdEp0PERGR4qIpwEVEJF9mluzumYnOh4iISHFST5KIyB7KzBqb2Rwze8HMZpvZq2ZWycx+NrPBZjYDONPMRpjZGSFNRzObYmbfmNmXZlbVzJLN7F9mNs3MZpnZFQkumoiIyO+iRpKIyJ6tBTDU3Q8CNgBXh/DV7t7O3V/Ojmhm5YDRQF93bwN0A7YCvYH17t4R6AhcbmZNirMQIiIifyQ1kkRE9myL3P2zsP480CWsj84jbgtgqbtPA3D3De6eAXQHLjSzmcAXQG2geVxzLSIiEkcpic6AiIgkVO4XU7O3N+/GMQz4m7u/98dkSUREJLHUkyQismdrZGadw/p5wOQC4s4F9jGzjgDhfaQU4D3gKjNLDeEHmFnleGZaREQkntRIEhHZs80FrjGz2UBN4In8Irp7GnA28KiZfQNMBCoATwM/ADPM7DvgKTRSQURESjFNAS4isocys8bABHc/ONF5ERERKUnUkyQiIiIiIhJDPUkiIiIiIiIx1JMkIiIiIiISQ40kERERERGRGGokiYiIiIiIxFAjSUREREREJIYaSSIiIiIiIjHUSBIREREREYnx/4p8QCV0RW+hAAAAAElFTkSuQmCC",
      "text/plain": [
       "<Figure size 1152x144 with 2 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "# Создадим холст и оси\n",
    "fig, ax = plt.subplots(figsize=(16, 2))\n",
    "# Построим тепловую карту\n",
    "heatmap = sns.heatmap(pivot, annot=True, fmt='d')\n",
    "heatmap.set_title('Тепловая карта покупательской способности туров в группах')\n",
    "print('Количество проданных туров за 60 000 рублей в группах')\n",
    "pivot[60000]"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9caa92ca-e261-4b8f-a16c-2abc322c9ffb",
   "metadata": {},
   "source": [
    "Сделайте выводы по построенной таблице. По каким турам покупательская способность участников группы А выше, чем участников группы B и наоборот?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "6d13fd45-e3df-468f-9d32-1fc45d38b10c",
   "metadata": {},
   "source": [
    "По турам с ценой 60000 руб покупательская способность участников группы А выше, чем участников группы B.\n",
    "\n",
    "По турам с ценой 100000 руб наоборот, покупательская способность участников группы В выше, чем участников группы А.\n",
    "\n",
    "Это согласуется с промежуточным выводом по среднему чеку."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "8f021fb4-d0f6-4e43-b518-1a96c07a4531",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.8.**\n",
    "\n",
    "Настало время поговорить о стабилизации кумулятивных метрик во времени. Но прежде, чем перейти к кумулятивным метрикам, нам необходимо построить таблицу с ежедневными данными результатов проведения A/B-тестирования.\n",
    "\n",
    "Сгруппируйте данные по дате и группе тестирования. В каждой группе вычислите количество посещений страницы, количество покупок и сумму покупок. \n",
    "\n",
    "Добавьте в таблицу информацию о ежедневной конверсии (ежедневное количество покупок / ежедневное количество посещений) в группе и ежедневном среднем чеке (ежедневная сумма покупок / ежедневное количество покупок)\n",
    "* Чему равна конверсия 3 января 2021 года? Ответ приведите в процентах и округлите до сотых.\n",
    "\n",
    "* Чему равен средний чек 3 января 2021 года? Ответ приведите в рублях и округлите до целого."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 95,
   "id": "4503b528-412e-433a-bc03-da7da52fa1a3",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Конверсия 3 января 2020 года\n"
     ]
    },
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>group</th>\n",
       "      <th>conversion</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>A</td>\n",
       "      <td>11.34</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>B</td>\n",
       "      <td>11.39</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "  group  conversion\n",
       "2     A       11.34\n",
       "3     B       11.39"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Средний чек 3 января 2020 года:\n"
     ]
    },
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>group</th>\n",
       "      <th>mean_check</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>A</td>\n",
       "      <td>82888.0</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>B</td>\n",
       "      <td>87480.0</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "  group  mean_check\n",
       "2     A     82888.0\n",
       "3     B     87480.0"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "daily_data = updated_data.groupby(['date', 'group']).agg({\n",
    "    'user_id':'count',\n",
    "    'purchase':'sum',\n",
    "    'price': 'sum'\n",
    "}).reset_index().rename(columns={\n",
    "    'user_id': 'count_visits',\n",
    "    'purchase': 'count_purchases',\n",
    "    'price': 'sum_price'\n",
    "})\n",
    "daily_data['conversion'] = daily_data['count_purchases']/daily_data['count_visits'] * 100\n",
    "daily_data['mean_check'] = daily_data['sum_price']/daily_data['count_purchases']\n",
    "\n",
    "print('Конверсия 3 января 2020 года')\n",
    "display(daily_data[daily_data['date'] == '2021-01-03'][['group', 'conversion']].round(2))\n",
    "\n",
    "print('Средний чек 3 января 2020 года:')\n",
    "display(daily_data[daily_data['date'] == '2021-01-03'][['group', 'mean_check']].round())"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "bc8e241b-1ef1-4f67-ab90-77251889b7f2",
   "metadata": {},
   "source": [
    "## **Задание 7.9.** \n",
    "\n",
    "Добавьте в таблицу с ежедневными показателями кумулятивные признаки:\n",
    "* кумулятивное количество посещений страницы\n",
    "* кумулятивное количество покупок\n",
    "* кумулятивную сумму покупок\n",
    "\n",
    "Не забудьте при расчете кумулятивной суммы сгруппировать данные по группам. \n",
    "\n",
    "Вычислите кумулятивную конверсию и кумулятивный средний чек на основе полученных кумулятивных показателей. \n",
    "\n",
    "* Какая **кумулятивная** конверсия была в группе B на 20 января? Ответ приведите в процентах, округлив до сотых.\n",
    "* Какой **кумулятивный** средний чек был в группе А на 12 января 2021 года? Ответ приведите в рублях, округлив до целых."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 96,
   "id": "afe59f9a-8d39-45c1-a14f-9f62091d81a1",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Кумулятивная конверсия группе B на 20 января 2020 года         11.9\n",
      "Кумулятивный средний чек в группе А на 12 января 2021 года    81492\n"
     ]
    }
   ],
   "source": [
    "# вычисляем кумулятивное количество посещений страницы\n",
    "daily_data['cum_count_visits'] = daily_data.groupby('group')['count_visits'].cumsum()\n",
    "# вычисляем кумулятивное количество покупок \n",
    "daily_data['cum_count_purchases'] = daily_data.groupby('group')['count_purchases'].cumsum()\n",
    "# вычисляем кумулятивную сумму покупок\n",
    "daily_data['cum_sum_price'] = daily_data.groupby('group')['sum_price'].cumsum()\n",
    "# вычисляем кумулятивную конверсию\n",
    "daily_data['cum_conversion'] = daily_data['cum_count_purchases']/daily_data['cum_count_visits'] * 100\n",
    "# вычисляем кумулятивный средний чек\n",
    "daily_data['cum_mean_check'] = daily_data['cum_sum_price']/daily_data['cum_count_purchases']\n",
    " \n",
    "print('Кумулятивная конверсия группе B на 20 января 2020 года        ',\n",
    "    round(daily_data[daily_data['date'] == '2021-01-20'][['group', 'cum_conversion']].iloc[1].values[1], 2))\n",
    "print('Кумулятивный средний чек в группе А на 12 января 2021 года   ',\n",
    "    round(daily_data[daily_data['date'] == '2021-01-12'][['group', 'cum_mean_check']].iloc[0].values[1]))\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c252b8ba-371b-4795-8fc3-a62317e9ba39",
   "metadata": {},
   "source": [
    "Постройте кумулятивные графики конверсии и среднего чека в каждой группе по дням. Сделайте выводы. Можно ли назвать A/B-тест завершенным - стабилизировались ли значения метрик во времени? Как соотносятся кумулятивные показатели в каждой группе?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 97,
   "id": "d9e3eda1",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "image/png": "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",
      "text/plain": [
       "<Figure size 1080x576 with 2 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "# создаем фигуру размером 15x8\n",
    "fig, axes= plt.subplots(2, 1, figsize=(15, 8))\n",
    "# строим lineplot для кумулятивной конверсии во времени в каждой группе\n",
    "sns.lineplot(x='date', y='cum_conversion', data=daily_data, hue='group', ax=axes[0])\n",
    "# строим lineplot для кумулятивного среднего чека во времени в каждой группе\n",
    "sns.lineplot(x='date', y='cum_mean_check', data=daily_data, hue='group', ax=axes[1])\n",
    "# задаем подпись к верхнему графику\n",
    "axes[0].set_title('График кумулятивной конверсии по дням')\n",
    "# уберем название оси абсцисс верхнего графика\n",
    "axes[0].set_xlabel(None)\n",
    "# уберем метки на оси абсцисс верхнего графика\n",
    "axes[0].xaxis.set_tick_params(labelbottom = False)\n",
    "# задаем подпись к нижнему графику\n",
    "axes[1].set_title('График кумулятивного среднего чека по дням')\n",
    "# задаем поворот меток на оси абсцисс нижнего графика\n",
    "axes[1].xaxis.set_tick_params(rotation = 45)\n",
    "# задаем отображение сетки\n",
    "axes[0].grid(True)\n",
    "axes[1].grid(True);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "f645f8e5-ad16-4b3b-8228-fbdeeb286833",
   "metadata": {},
   "source": [
    "A/B-тест можно назвать  завершенным - значения метрик стабилизировались во времени. Показатель кумулятивной конверсии в группе А стабилизировался на уровне выше показателя группы В. Кумулятивный средний чек в группе В стабилизировался выше аналогичного показателя группы А."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2ecaa382-56e2-47f4-b086-24b4742570a3",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.10.**\n",
    "\n",
    "Настало время переходить к проверке статистической значимости разницы между метриками в группах. Начнем с конверсии.\n",
    "\n",
    "Какой тест вы примените для проверки гипотезы о равенстве конверсий в группах?\n",
    "\n",
    "Проведите тестирование при следующих нулевой и альтернативной гипотезе:\n",
    "* $H_0$: Конверсии в группах А и B равны; \n",
    "* $H_1$: Конверсия в группе А больше чем конверсия в группе B;\n",
    "\n",
    "Вычислите p-value вашего теста для конверсий в группах А и B. Сравните полученное значение p-value с уровнем значимости $\\alpha$=0.05. "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 98,
   "id": "9dd1f6fd-2fa0-4a2f-8181-dbed4c302bce",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "         sum   count\n",
      "group               \n",
      "A      17487  145307\n",
      "B      17290  145381\n",
      "p-value:  0.12\n",
      "Принимаем нулевую гипотезу. Конверсии в группах А и B равны\n"
     ]
    }
   ],
   "source": [
    "# Конверсия — это доля (пропорция) пользователей, которые которые совершили целевое действие.\n",
    "# Воспользуемся z-критерием для пропорций.\n",
    "from statsmodels.stats.proportion import proportions_ztest\n",
    "\n",
    "# сгруппируем данные по признаку группы и рассчитаем количество «успехов» (сумма по столбцу purchase) и \n",
    "# общее количество наблюдений (количество непустых значений в столбце purchase) для каждой группы.\n",
    "converted_piv= updated_data.groupby('group')['purchase'].agg(\n",
    "    ['sum', 'count'])\n",
    "print(converted_piv)\n",
    "\n",
    "# Нулевая и альтернативная гипотезы\n",
    "H0 = 'Конверсии в группах А и B равны'\n",
    "H1 = 'Конверсия в группе А больше, чем конверсия в группе B'\n",
    "alpha = 0.05 # уровень значимости\n",
    "#вычисляем значение p-value для z-теста для пропорций\n",
    "_, p_value = proportions_ztest(\n",
    "    count=converted_piv['sum'], #число \"успехов\"\n",
    "    nobs=converted_piv['count'], #общее число наблюдений\n",
    "    alternative='larger'\n",
    ")\n",
    "#выводим результат p-value теста для конверсий в группах А и B\n",
    "print('p-value: ', round(p_value, 2))\n",
    "#сравниваем полученное p-value с уровнем значимости\n",
    "if (p_value > alpha): \n",
    "    print(f'Принимаем нулевую гипотезу. {H0}')\n",
    "else:\n",
    "    print(f'Отвергаем нулевую гипотезу. Альтернативная гипотеза: {H1}')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "75dddb06-389d-4d65-92c7-425efa28e51a",
   "metadata": {},
   "source": [
    "Конверсия — это доля (пропорция) пользователей, которые которые совершили целевое действие. Поэтому воспользуемся z-критерием для пропорций. \n",
    "\n",
    "По результатам теста можно сделать вывод, что статистической разницы между конверсиями в группах А и B нет.\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "32c5a1af-8cb2-4f3c-a126-410b70fb3ff3",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.11.**\n",
    "Убедитесь в своих рассуждениях, построив 95%-ый доверительный интервал для конверсий и разницы между ними. Используйте $z_{крит}$ в своих расчетах\n",
    "\n",
    "Укажите нижнюю и верхнюю границы доверительных интервалов. Границы приведите в процентах и округлите до 2 знака после запятой. Например: нижняя граница 89.24%, верхняя граница 91.25%."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 99,
   "id": "e9decb7d-ff5e-40a6-8b71-63627c4ef64a",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Доверительный интервал для конверсии группы А: (11.87, 12.2)\n",
      "Доверительный интервал для конверсии группы B: (11.73, 12.06)\n",
      "Доверительный интервал для разности конверсий: (-0.38, 0.09)\n"
     ]
    }
   ],
   "source": [
    "# Построим 95%-ый доверительный интервал для конверсий\n",
    "def conversion_conf_interval(n, x_p, gamma=0.95):\n",
    "    \"\"\"Аргументы: n — размер выборки, x_p — выборочная пропорция и gamma — \n",
    "    уровень надёжности (по умолчанию он равен 0.95).\n",
    "    Функция возвращает кортеж из вычисленных границ доверительного интервала, \n",
    "    умноженных на 100 % и округлённых до второго знака после запятой.\n",
    "    \"\"\"\n",
    "    alpha = 1 - gamma # уровень значимости\n",
    "    z_crit = -norm.ppf(alpha/2) # z критическое\n",
    "    eps = z_crit * (x_p * (1 - x_p) / n) ** 0.5 #погрешность\n",
    "    lower_bound = x_p - eps # левая (нижняя) граница\n",
    "    upper_bound = x_p + eps # правая (верхняя) граница\n",
    "    # возвращаем кортеж из округленных границ интервала\n",
    "    return round(lower_bound * 100, 2), round(upper_bound * 100, 2)\n",
    "\n",
    "# Создадим отдельные таблицы для каждой из групп\n",
    "# фильтруем данные группы А\n",
    "a_data = updated_data[updated_data['group'] == 'A']\n",
    "# фильтруем данные группы B\n",
    "b_data = updated_data[updated_data['group'] == 'B']\n",
    "\n",
    "# Применим функцию к данным группы А и группы B\n",
    "conf_interval_a = conversion_conf_interval(\n",
    "n=a_data['user_id'].count(), # размер выборки\n",
    "x_p=a_data['purchase'].mean() # выборочная пропорция\n",
    ")\n",
    "conf_interval_b = conversion_conf_interval(\n",
    "n=b_data['user_id'].count(), # размер выборки\n",
    "x_p=b_data['purchase'].mean() # выборочная пропорция\n",
    ")\n",
    "print(f'Доверительный интервал для конверсии группы А: {conf_interval_a}')\n",
    "print(f'Доверительный интервал для конверсии группы B: {conf_interval_b}')\n",
    "\n",
    "\n",
    "# Построим доверительный интервал разницы пропорций (конверсий)\n",
    "def diff_conversion_conf_interval(n, xp, gamma=0.95):\n",
    "    \"\"\"Аргументы: n — список из размеров выборки для групп А и B соответственно, \n",
    "    xp — список из выборочных пропорций для групп А и B соответственно и \n",
    "    gamma — уровень надёжности (по умолчанию он равен 0.95).\n",
    "    Функция возвращает кортеж из вычисленных границ \n",
    "    доверительного интервала разницы конверсий, умноженных на 100 % и \n",
    "    округлённых до второго знака после запятой.\n",
    "    \"\"\"\n",
    "    alpha = 1 - gamma # уровень значимости\n",
    "    diff = xp[1] - xp[0] # выборочная разница конверсий групп B и A\n",
    "    z_crit = -norm.ppf(alpha/2) #z критическое\n",
    "    eps = z_crit * (xp[0] * (1 - xp[0])/n[0] + xp[1] * (1 - xp[1])/n[1]) ** 0.5 # погрешность\n",
    "    lower_bound = diff - eps # левая (нижняя) граница\n",
    "    upper_bound = diff + eps # правая (верхняя) граница\n",
    "    # возвращаем кортеж из округленных границ интервала\n",
    "    return round(lower_bound *100, 2), round(upper_bound * 100, 2)\n",
    "\n",
    "# размеры выборок групп А и B\n",
    "n = [a_data['user_id'].count(), b_data['user_id'].count()]\n",
    "# выборочная пропорция групп A и B\n",
    "xp = [a_data['purchase'].mean(), b_data['purchase'].mean()]\n",
    "\n",
    "# строим доверительный интервал для разности\n",
    "diff_inverval = diff_conversion_conf_interval(n, xp)\n",
    "print(f'Доверительный интервал для разности конверсий: {diff_inverval}') #выводим результат"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9332372d-66b2-45e9-a74c-f5d8b1d44afb",
   "metadata": {},
   "source": [
    "Между доверительными интервалами для групп есть перекрытие. Построенный доверительный интервал для разности конверсий охватывает точку 0. Это позволяет сделать вывод, что статистической разницы в конверсии между вариантами А и B не существует, то есть они являются равнозначными по данной метрике."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "73c54883-b919-4889-bbf2-e1bdeb0b7055",
   "metadata": {},
   "source": [
    "## **Задание 7.12.**\n",
    "\n",
    "Ранее мы построили таблицу с ежедневными показателями. Теперь она нам снова понадобится, так как нас интересует ежедневный средний чек.\n",
    "\n",
    "Проверьте гипотезу о нормальности распределения ежедневного среднего чека в каждой из групп тестирования. \n",
    "\n",
    "* Какой тест вы примените  для проверки гипотезы о нормальности распределения ежедневного среднего чека?\n",
    "* Как будут звучать нулевая и альтернативная гипотезы?\n",
    "* Каковы результаты статистического теста с уровнем значимости $\\alpha$ =0.05?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 100,
   "id": "898041ae-de7e-4b74-975e-111d494fbb82",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Критерий Шапиро-Уилка. Распределения в обеих группах нормальные\n",
      "p-value группы А 0.25\n",
      "p-value группы B 0.09\n"
     ]
    }
   ],
   "source": [
    "# нулевая и альтернативная гипотезы\n",
    "H0 = 'Распределения в обеих группах нормальные'\n",
    "H1 = 'Распределение в одной или обеих группах отлично от нормального'\n",
    "alpha = 0.05 # уровень значимости\n",
    " \n",
    "# вычисляем результат теста Шапиро-Уилка для выборок\n",
    "shapiro_p_a = shapiro(daily_data_a['mean_check'])\n",
    "shapiro_p_b = shapiro(daily_data_b['mean_check'])\n",
    "\n",
    "# сравниваем полученное p-value с уровнем значимости\n",
    "if shapiro_p_a[1] > alpha and shapiro_p_b[1] > alpha:\n",
    "    H = H0\n",
    "else:\n",
    "    H = H1\n",
    "print('Критерий Шапиро-Уилка.' , H)\n",
    "print('p-value группы А', round(shapiro_p_a[1], 2))\n",
    "print('p-value группы B', round(shapiro_p_b[1], 2))"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cbddecf9-4d15-4ff1-84e9-46c4d98fc1e0",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.13.**\n",
    "Настало время сравнить варианты дизайна страницы по метрике среднего чека. \n",
    "\n",
    "Какой тест вы примените для проверки гипотезы о равенстве средних чеков по дням в группах?\n",
    "\n",
    "Проведите тестирование при следующих нулевой и альтернативной гипотезе:\n",
    "* $H_0$: Ежедневные средние чеки в группах А и B равны; \n",
    "* $H_1$: Ежедневный средний чек в группе А меньше чем в группе B;\n",
    "\n",
    "Вычислите p-value вашего теста для ежедневного среднего чека в группах А и B. Сравните полученное значение p-value с уровнем значимости $\\alpha$ =0.05. "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 101,
   "id": "05d43f23-2c2d-4795-bb96-1ffbfe81c391",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "p-value: 0.0\n",
      "Отвергаем нулевую гипотезу. Ежедневные средние чеки в группах А и B равны\n",
      "Альтернативная гипотеза. Ежедневный средний чек в группе А меньше чем в группе B\n"
     ]
    }
   ],
   "source": [
    "# распределение в обеих группах нормальное, а значит, мы можем воспользоваться T-тестом \n",
    "# для того, чтобы  сравнить среднеие чеки по дням. T-тест используется для определения того, \n",
    "# как средние значения различных наборов данных отличаются друг от друга, если стандартное отклонение \n",
    "# или дисперсия неизвестны. \n",
    "\n",
    "# нулевая и альтернативная гипотезы\n",
    "H0 = 'Ежедневные средние чеки в группах А и B равны'\n",
    "H1 = 'Ежедневный средний чек в группе А меньше чем в группе B'\n",
    "alpha = 0.05 #уровень значимости\n",
    "\n",
    "#вычисляем результат T-теста для выборок\n",
    "results = ttest_ind(\n",
    "    daily_data_a['mean_check'],\n",
    "    daily_data_b['mean_check'],\n",
    "    alternative='less'\n",
    ")\n",
    "print('p-value:', round(results[1], 2))\n",
    " \n",
    "if results[1] < alpha:\n",
    "    print(f'Отвергаем нулевую гипотезу. {H0}')\n",
    "    print(f'Альтернативная гипотеза. {H1}')\n",
    "else:\n",
    "    print(f'Принимаем нулевую гипотезу. {H0}')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "8534ab25-68b8-48f7-b2c1-ef1b72d8a767",
   "metadata": {},
   "source": [
    " Приведите свои выводы по проведенному статистическому тесту. Есть ли статистическая разница между ежедневными средними чеками в группах А и B?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9bdc0cf4",
   "metadata": {},
   "source": [
    "Между ежедневными средними чеками в группах А и B есть статистическая разница. Применение T-теста доказало альтернативную\n",
    "гипотезу, ежедневный средний чек в группе А меньше, чем в группе B.\n",
    "\n",
    "Это подтверждает наблюдение по графику кумулятивного среднего чека, который в группе В стабилизировался выше аналогичного показателя группы А."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "5e46c9a6-a943-48b4-ad72-935337469613",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Задание 7.14.**\n",
    "\n",
    "Постройте 95%-ый доверительный интервал для среднего чека в каждой группе. Так как выборка средних чеков небольшая, используйте  $t_{крит}$ в своих расчетах.\n",
    "\n",
    "Укажите нижнюю и верхнюю границы доверительного интервала для истинного среднего чека каждой из групп. Ответ округлите до целого."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 102,
   "id": "480430db-ffae-4aad-8e22-f5c70d4800b8",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Доверительный интервал для среднего чека группы А: (79630, 82308)\n",
      "Доверительный интервал для среднего чека группы B: (87626, 89526)\n"
     ]
    }
   ],
   "source": [
    "def mean_check_conf_interval(n, x_mean, x_std, gamma=0.95):\n",
    "    \"\"\"Аргументы: n — размер выборки, x_mean — выборочное среднее и gamma — \n",
    "    уровень надёжности (по умолчанию он равен 0.95).\n",
    "    Функция возвращает кортеж из вычисленных границ доверительного интервала\n",
    "    среднего чека, округленных до целого\"\"\"\n",
    "    k = n - 1 #число степеней свободы\n",
    "    alpha = 1 - gamma # уровень значимости\n",
    "    t_crit = -t.ppf(alpha/2, k) # t критическое\n",
    "    eps = t_crit * x_std / n**0.5 #погрешность\n",
    "    lower_bound = x_mean - eps # левая (нижняя) граница\n",
    "    upper_bound = x_mean + eps # правая (верхняя) граница\n",
    "    # возвращаем кортеж из округленных границ интервала\n",
    "    return round(lower_bound), round(upper_bound)\n",
    "\n",
    "# Аргументы функции для группы А \n",
    "n_a = daily_data_a['count_visits'].count() # размер выборки\n",
    "x_mean_a = daily_data_a['mean_check'].mean() # выборочное среднее\n",
    "x_std_a = daily_data_a['mean_check'].std() # выборочное стандартное отклонения\n",
    "# Аргументы функции для группы В\n",
    "n_b = daily_data_b['count_visits'].count() # размер выборки\n",
    "x_mean_b = daily_data_b['mean_check'].mean() # выборочное среднее\n",
    "x_std_b = daily_data_b['mean_check'].std() # выборочное стандартное отклонения\n",
    "\n",
    " \n",
    "print(f'Доверительный интервал для среднего чека группы А: {mean_check_conf_interval(n_a, x_mean_a, x_std_a)}') \n",
    "print(f'Доверительный интервал для среднего чека группы B: {mean_check_conf_interval(n_b, x_mean_b, x_std_b)}')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "74a78db8-48f7-41d2-94cb-faefb30b8f76",
   "metadata": {},
   "source": [
    "Проинтерпретируйте построенные доверительные интервалы для ежедневных средних чеков в группах. Есть ли между ними пересечения?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "8993f046",
   "metadata": {},
   "source": [
    "Между доверительными интервалами для групп нет перекрытия. Это позволяет сделать вывод, что существует статистическая разница между средними чеками между вариантами А и B."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c078852f-892f-42ed-8d78-73edf8eb1f5e",
   "metadata": {
    "tags": []
   },
   "source": [
    "## **Сделайте общий вывод по результатам A/B-теста**\n",
    "\n",
    "Какой варианта дизайна посадочной страницы является более эффективным в комплексе по метрикам конверсии и среднего чека и почему? \n",
    "\n",
    "В комплексе по метрикам конверсии и среднего чека более эффективным вариантом дизайна посадочной страницы является вариант В. Для него средний чек статистически выше, а конверсии для обоих вариантов статистически равны."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3.9.12 64-bit",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.9.12"
  },
  "vscode": {
   "interpreter": {
    "hash": "93e5499867a482d1f69126f65754e04e21327fbe16c28c259dff18a59fe0a8c0"
   }
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}