trazar_compras_esperadas_a_lo_largo_del_tiempo#
- pymc_marketing.clv.plotting.plot_expected_purchases_over_time(model, purchase_history, customer_id_col, datetime_col, t, plot_cumulative=True, t_start_eval=None, datetime_format=None, time_unit='D', time_scaler=1, sort_purchases=True, set_index_date=False, title=None, xlabel='Time Periods', ylabel='Purchases', ax=None, t_unobserved=None, **kwargs)[fuente]#
Representar las compras reales y esperadas a lo largo del tiempo para un
BetaGeoModeloParetoNBDModelajustado.Esta función se basa en la formulación en la página 8 de [1]. Específicamente, tomamos solo a los clientes que han realizado su primera compra antes del número especificado de
tperíodos de tiempo, y ejecutamosexpected_purchases_new_customer()para todos los períodos de tiempo restantes. Los resultados pueden ser acumulativos o incrementales.Adaptado de la biblioteca heredada
lifetimes: CamDavidsonPilon/lifetimes- Parámetros:
- modelo
Un modelo
BetaGeoModeloParetoNBDModelajustado.- historial_de_compras :
DataFrameDataFrame Un DataFrame de Pandas que contiene customer_id_col y datetime_col.
- customer_id_col
str Columna en el DataFrame de compras que denota el customer_id.
- datetime_col
str Columna en el DataFrame purchases que denota las fechas y horas en las que se realizaron las compras.
- t
int Número de unidades de tiempo desde la compra más temprana para incluir en el gráfico.
- plot_cumulativebool
Predeterminado: Verdadero Grafique las compras acumulativas a lo largo del tiempo. Establezca en Falso para graficar las compras incrementales.
- t_start_eval :
int, opcionalpython:int, opcional Si se está probando el modelo con datos no observados, especifique el número de unidades de tiempo en los datos de entrenamiento para agregar un indicador para el inicio del período de prueba.
- datetime_format :
str, opcionalpython:str, opcional Una cadena que representa el formato de la marca de tiempo. Útil si Pandas no reconoce el formato proporcionado.
- unidad_tiempo :
str, opcionalpython:str, opcional Granularidad de tiempo para el estudio. Predeterminado: “D” para días. Los valores posibles se enumeran aquí: https://numpy.org/devdocs/reference/arrays.datetime.html#datetime-units
- time_scaler :
int, opcionalpython:int, opcional Predeterminado: 1. Escala recencia y T a una granularidad temporal diferente. Esto es útil para conjuntos de datos que abarcan muchos años y para realizar predicciones en diferentes escalas de tiempo.
- sort_purchases : bool, opcionalbool, opcional
Predeterminado: Verdadero Si el DataFrame purchase_history ya está ordenado en orden cronológico, establezca en Falso para mejorar la eficiencia computacional.
- set_index_date : bool, opcionalbool, opcional
Establezca en True para devolver un dataframe con un índice de tipo datetime.
- título :
str, opcionalpython:str, opcional Título de la figura
- xlabel :
str, opcionalpython:str, opcional Etiqueta del eje x
- ylabel :
str, opcionalpython:str, opcional Etiqueta del eje y
- ax :
matplotlib.Axes, opcionalmatplotlib.Axes, opcional Una instancia de Axes de matplotlib. Crea una nueva instancia de ejes por defecto.
- kwargs
Argumentos adicionales para pasar al comando pandas.DataFrame.plot.
- Devoluciones:
- ejes:
matplotlib.AxesSubplot
- ejes:
Referencias
[1]Fader, Peter S., Bruce G.S. Hardie y Ka Lok Lee (2005),
Una nota sobre la implementación del modelo Pareto/NBD en MATLAB. http://brucehardie.com/notes/008/