加入新推出的 Discord 社区，展开实时讨论，获得同行支持，并直接与 Meridian 团队互动！

加载包含覆盖面和频次的地理位置级数据

以下各部分中提供了模拟数据，作为每种数据类型和格式的示例。

CSV

使用 CsvDataLoader 加载模拟 CSV 数据：

将列名称映射到变量类型。所需的变量类型为 time、geo、controls、population、kpi 和 revenue_per_kpi。对于没有覆盖面和频次数据的媒体渠道，您必须将其媒体曝光和媒体支出分别分配至 media 和 media_spend 类别。相反，对于拥有覆盖面和频次数据的媒体渠道，您必须将其覆盖面、频次和媒体支出分别映射到 reach、frequency 和 rf_spend 类别。如需了解每个变量的定义，请参阅收集和整理数据。

coord_to_columns = load.CoordToColumns(
    time='time',
    geo='geo',
    controls=['GQV', 'Discount', 'Competitor_Sales'],
    population='population',
    kpi='conversions',
    revenue_per_kpi='revenue_per_conversion',
    media=[
        'Channel0_impression',
        'Channel1_impression',
        'Channel2_impression',
        'Channel3_impression',
    ],
    media_spend=[
        'Channel0_spend',
        'Channel1_spend',
        'Channel2_spend',
        'Channel3_spend',
    ],
    reach =['Channel4_reach', 'Channel5_reach'],
    frequency=['Channel4_frequency', 'Channel5_frequency'],
    rf_spend=['Channel4_spend', 'Channel5_spend'],
)

将媒体曝光、覆盖面、频次和媒体支出映射到要在双页输出中显示的指定渠道名称。下例中的 Channel0_impression 和 Channel0_spend 连接到同一个渠道 Channel0。此外，Channel4_reach、Channel4_frequency 和 Channel4_spend 连接到同一个渠道 Channel4。

correct_media_to_channel = {
    'Channel0_impression': 'Channel0',
    'Channel1_impression': 'Channel1',
    'Channel2_impression': 'Channel2',
    'Channel3_impression': 'Channel3',
}
correct_media_spend_to_channel = {
    'Channel0_spend': 'Channel0',
    'Channel1_spend': 'Channel1',
    'Channel2_spend': 'Channel2',
    'Channel3_spend': 'Channel3',
}

correct_reach_to_channel = {
    'Channel4_reach': 'Channel4',
    'Channel5_reach': 'Channel5',
}
correct_frequency_to_channel = {
    'Channel4_frequency': 'Channel4',
    'Channel5_frequency': 'Channel5',
}
correct_rf_spend_to_channel = {
    'Channel4_spend': 'Channel4',
    'Channel5_spend': 'Channel5',
}

使用 CsvDataLoader 加载数据：

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,
    reach_to_channel=correct_reach_to_channel,
    frequency_to_channel=correct_frequency_to_channel,
    rf_spend_to_channel=correct_rf_spend_to_channel,
)
data = loader.load()

其中：

kpi_type 是 'revenue' 或 'non_revenue'。
PATH 表示指向数据文件位置的路径。
FILENAME 表示数据文件的名称。

Xarray 数据集

使用 XrDatasetDataLoader 加载序列化模拟 Xarray 数据集：

使用 pickle 加载数据：
```
import pickle
with open(f'/{PATH}/{FILENAME}.pkl', 'r') as fh:
  dataset=pickle.load(fh)
```
其中：
- PATH 表示指向数据文件位置的路径。
- FILENAME 表示数据文件的名称。

将数据集传递给 XrDatasetDataLoader。使用 name_mapping 实参映射坐标和数组。如果输入数据集内的名称与所需名称不同，请提供映射。所需的坐标名称为 geo、time、control_variable、media_channel 和 rf_channel，其中 rf_channel 用于指定拥有覆盖面和频次数据的渠道。所需的数据变量名称为 kpi、revenue_per_kpi、controls、population、media、media_spend、reach、frequency 和 rf_spend。

loader = load.XrDatasetDataLoader(
    dataset,
    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',
        'reach': 'reach',
        'frequency': 'frequency',
        'rf_spend': 'rf_spend',
    },
)

data = loader.load()

其中：

kpi_type 是 'revenue' 或 'non_revenue'。

Numpy 多维数组

如需直接加载 NumPy 多维数组，请使用 NDArrayInputDataBuilder：

将数据创建为单独的 NumPy 多维数组。

import numpy as np

kpi_nd = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
controls_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])
population_nd = np.array([1, 2, 3])
revenue_per_kpi_nd = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
reach_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])
frequency_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])
rf_spend_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])

使用 NDArrayInputDataBuilder 设置时间和地理位置，并根据 Meridian 输入数据中的要求指定渠道或维度名称。如需了解每个变量的定义，请参阅收集和整理数据。

from meridian.data import nd_array_input_data_builder as data_builder

builder = (
    data_builder.NDArrayInputDataBuilder(kpi_type='non_revenue')
)
builder.time_coords = ['2024-01-02', '2024-01-03', '2024-01-01']
builder.media_time_coords = ['2024-01-02', '2024-01-03', '2024-01-01']
builder.geos = ['B', 'A', 'C']
builder = (
  builder
    .with_kpi(kpi_nd)
    .with_revenue_per_kpi(revenue_per_kpi_nd)
    .with_population(population_nd)
    .with_controls(
      controls_nd,
      control_names=["control0", "control1"])
    .with_reach(
        r_nd=reach_nd,
        f_nd=frequency_nd,
        rfs_nd=rf_spend_nd,
        rf_channels=["channel0", "channel1"]
    )
)

data = builder.build()

其中：

kpi_type 是 'revenue' 或 'non_revenue'。

Pandas DataFrame 或其他数据格式

使用 DataFrameInputDataBuilder 加载模拟的其他数据格式（例如 excel）：

将数据（例如 excel 电子表格）读入一个或多个 Pandas DataFrame。

import pandas as pd

df = pd.read_excel(
    'https://github.com/google/meridian/raw/main/meridian/data/simulated_data/xlsx/geo_media_rf.xlsx',
    engine='openpyxl',
)

使用 DataFrameInputDataBuilder 将列名称映射到 Meridian 输入数据所需的变量类型。如需了解每个变量的定义，请参阅收集和整理数据。

from meridian.data import data_frame_input_data_builder as data_builder

builder = data_builder.DataFrameInputDataBuilder(
    kpi_type='non_revenue',
    default_kpi_column="conversions",
    default_revenue_per_kpi_column="revenue_per_conversion",
)
builder = (
    builder
        .with_kpi(df)
        .with_revenue_per_kpi(df)
        .with_population(df)
        .with_controls(df, control_cols=["GQV", "Discount", "Competitor_Sales"])
        .with_reach(
            df,
            reach_cols = ['Channel4_reach', 'Channel5_reach'],
            frequency_cols = ['Channel4_frequency', 'Channel5_frequency'],
            rf_spend_cols = ['Channel4_spend', 'Channel5_spend'],
            rf_channels = ['Channel4', 'Channel5'],
        )
)

data = builder.build()

其中：

kpi_type 是 'revenue' 或 'non_revenue'。

接下来，您可以创建模型。

加载不包含覆盖面和频次的地理位置级数据

加载包含自然媒体和非媒体处理变量的地理位置级数据

加载包含覆盖面和频次的地理位置级数据 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

CSV

Xarray 数据集

Numpy 多维数组

Pandas DataFrame 或其他数据格式

加载包含覆盖面和频次的地理位置级数据