بارگذاری داده های سطح جغرافیایی بدون دسترسی و فرکانس

داده های شبیه سازی شده به عنوان نمونه برای هر نوع داده و قالب در بخش های زیر ارائه شده است.

CSV

برای بارگیری داده های CSV شبیه سازی شده با استفاده از CsvDataLoader :

1. نام ستون ها را به انواع متغیرها نگاشت کنید. انواع متغیرهای مورد نیاز عبارتند از: time , geo , controls , population , kpi , revenue_per_kpi , media , media_spend . برای تعریف هر متغیر، به جمع آوری و سازماندهی داده های خود مراجعه کنید.

   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',
           'Channel4_impression',
           'Channel5_impression',
       ],
       media_spend=[
           'Channel0_spend',
           'Channel1_spend',
           'Channel2_spend',
           'Channel3_spend',
           'Channel4_spend',
           'Channel5_spend',
       ],
   )
   

2. متغیرهای رسانه و هزینه های رسانه را به نام کانال های تعیین شده ای که می خواهید در خروجی دو صفحه نمایش دهید، نگاشت کنید. در مثال زیر، Channel0_impression و Channel0_spend به یک کانال، Channel0 متصل هستند.

   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. بارگیری داده ها با استفاده از 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()
   

   کجا:

   • kpi_type یا 'revenue' یا 'non_revenue' است.
   • PATH مسیری است که به محل فایل داده می رسد.
   • FILENAME نام فایل داده شما است.

مجموعه داده Xarray

برای بارگیری مجموعه داده Xarray شبیه سازی شده با استفاده از XrDatasetDataLoader :

1. بارگیری داده ها با استفاده از pickle :

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

   کجا:

   • PATH مسیری است که به محل فایل داده می رسد.
   • FILENAME نام فایل داده شما است.

2. مجموعه داده را به XrDatasetDataLoader ارسال کنید. از آرگومان name_mapping برای ترسیم مختصات و آرایه ها استفاده کنید. اگر نام‌های موجود در مجموعه داده ورودی با نام‌های مورد نیاز متفاوت است، نقشه‌برداری را ارائه دهید. نام مختصات مورد نیاز عبارتند از geo , time , control_variable و media_channel . نام متغیرهای داده مورد نیاز عبارتند از kpi , revenue_per_kpi , controls , population , media و 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()
   

   کجا:

   • kpi_type یا 'revenue' یا 'non_revenue' است.

سایر فرمت داده ها

برای بارگیری فرمت داده های شبیه سازی شده دیگر (مانند excel ) با استفاده از DataFrameDataLoader :

1. نام ستون ها را به انواع متغیرها نگاشت کنید. انواع متغیرهای مورد نیاز عبارتند از: time , geo , controls , population , kpi , revenue_per_kpi , media , media_spend . برای تعریف هر متغیر، به جمع آوری و سازماندهی داده های خود مراجعه کنید.

   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',
           'Channel4_impression',
           'Channel5_impression',
       ],
       media_spend=[
           'Channel0_spend',
           'Channel1_spend',
           'Channel2_spend',
           'Channel3_spend',
           'Channel4_spend',
           'Channel5_spend',
       ],
   )
   

2. متغیرهای رسانه و هزینه های رسانه را به نام کانال های تعیین شده ای که می خواهید در خروجی دو صفحه نمایش دهید، نگاشت کنید. در مثال زیر، Channel0_impression و Channel0_spend به یک کانال، Channel0 متصل هستند.

   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. داده ها (مانند excel ) را در DataFrameDataLoader بخوانید و سپس داده ها را بارگیری کنید:

   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()
   

   کجا:

   • kpi_type یا 'revenue' یا 'non_revenue' است.
   • PATH مسیری است که به محل فایل داده می رسد.
   • FILENAME نام فایل داده شما است.

بعد، می توانید مدل خود را ایجاد کنید .