import pandas as pd

from datetime import datetime, timedelta

import seaborn as sns

from matplotlib import pyplot as plt

 

 

def get_ltv(

    profiles,

    purchases,

    observation_date,

    horizon_days,

    dimensions=[],

    ignore_horizon=False,

):

 

    # исключаем пользователей, не «доживших» до горизонта анализа

    last_suitable_acquisition_date = observation_date

    if not ignore_horizon:

        last_suitable_acquisition_date = observation_date - timedelta(

            days=horizon_days - 1

        )

    result_raw = profiles.query('dt <= @last_suitable_acquisition_date')

 

    # добавляем данные о выручке в профили

    result_raw = result_raw.merge(

        purchases[['user_id', 'event_dt', 'revenue']],

        on='user_id',

        how='left',

    )

 

    # вычисляем лайфтайм для каждой покупки

    result_raw['lifetime'] = (

        result_raw['event_dt'] - result_raw['first_ts']

    ).dt.days

 

    # группируем по cohort, если в dimensions ничего нет

    if len(dimensions) == 0:

        result_raw['cohort'] = 'All users'

        dimensions = dimensions + ['cohort']

 

    def group_by_dimensions(df, dims, horizon_days):

        # строим «треугольную» таблицу выручки

        result = df.pivot_table(

            index=dims,

            columns='lifetime',

            values='revenue',

            aggfunc='sum',

        )

        # считаем сумму выручки с накоплением

        result = result.fillna(0).cumsum(axis=1)

        # вычисляем размеры когорт

        cohort_sizes = (

            df.groupby(dims)

            .agg({'user_id': 'nunique'})

            .rename(columns={'user_id': 'cohort_size'})

        )

        # объединяем размеры когорт и таблицу выручки

        result = cohort_sizes.merge(result, on=dims, how='left').fillna(0)

        # считаем LTV:

        # делим каждую «ячейку» в строке на размер когорты

        result = result.div(result['cohort_size'], axis=0)

        # исключаем все лайфтаймы, превышающие горизонт анализа

        result = result[['cohort_size'] + list(range(horizon_days))]

        # восстанавливаем размеры когорт

        result['cohort_size'] = cohort_sizes

        return result

 

    # получаем таблицу LTV

    result_grouped = group_by_dimensions(result_raw, dimensions, horizon_days)

 

    # для таблицы динамики конверсии убираем 'cohort' из dimensions

    if 'cohort' in dimensions:

        dimensions = []

    # получаем таблицу динамики LTV

    result_in_time = group_by_dimensions(

        result_raw, dimensions + ['dt'], horizon_days

    )

 

    # возвращаем обе таблицы LTV и сырые данные

    return result_raw, result_grouped, result_in_time

 

 

users = pd.read_csv('ch02_problems02_users.csv')  # профили

purchases = pd.read_csv('ch02_problems02_orders.csv')  # данные о покупках

 

# преобразование данных о времени

users['dt'] = pd.to_datetime(users['dt']).dt.date

users['first_ts'] = pd.to_datetime(users['first_ts'])

purchases['event_dt'] = pd.to_datetime(purchases['event_dt'])

 

observation_date = users['dt'].max()  # момент анализа

analysis_horizon = 7  # горизонт анализа

 

users = users.query('channel == "Organic"')

ltv_raw, ltv, ltv_history = get_ltv(

    users, purchases, observation_date, analysis_horizon

)

#print(ltv_history)

report = ltv_history[[5]]

print(report.sort_values().head(1))# добавьте ваш код здесь