リーチとフリークエンシーのデータがない地域レベルのデータを読み込む

それぞれのデータ型と形式の例として、シミュレートされたデータを次のセクションに示します。

CSV

CsvDataLoader を使ってシミュレートされた CSV データを読み込む手順は次のとおりです。

  1. 列名を変数型にマッピングします。必要な変数型は time、geo、controls、population、kpi、revenue_per_kpi、media、media_spend です。各変数の定義については、データの収集と整理をご覧ください。

    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. メディア変数とメディア費用を、2 ページの出力に表示する指定されたチャネル名にマッピングします。次の例では、Channel0_impression と Channel0_spend が同じチャネル Channel0 に接続されています。

    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. 次のように CsvDataLoader を使用して、データを読み込みます。

    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()

    ここで

    • kpi_type は、'revenue' か 'non_revenue' のいずれかです。
    • PATH は、データファイルの場所へのパスです。
    • FILENAME はデータファイルの名前です。

Xarray データセット

pickle 化されシミュレートされた Xarray データセットを XrDatasetDataLoader を使って読み込む手順は次のとおりです。

  1. 次のように pickle を使ってデータを読み込みます。

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

    ここで

    • PATH は、データファイルの場所へのパスです。
    • FILENAME はデータファイルの名前です。

  2. データセットを XrDatasetDataLoader に渡します。name_mapping 引数を使用して、座標と配列をマッピングします。入力データセットでの名前が必須の名前と異なる場合は、それらの名前をマッピングします。必須の座標名は geo、time、control_variable、media_channel です。必須のデータ変数名は kpi、revenue_per_kpi、controls、population、media、media_spend です。

    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',
    },
)

data = loader.load()

    詳細は次のとおりです。

    • kpi_type は、'revenue' か 'non_revenue' のいずれかです。

NumPy ndarray

numpy ndarray を直接読み込むには、NDArrayInputDataBuilder を使用します。

  1. データを個別の numpy ndarray に作成します。

    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]])
media_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])
media_spend_nd = np.array([
  [[1, 5], [2, 6], [3, 4]],
  [[7, 8], [9, 10], [11, 12]],
  [[13, 14], [15, 16], [17, 18]],
])

  2. NDArrayInputDataBuilder を使って、時間と地域を設定し、メリディアンの入力データで必要に応じてチャンネル名またはディメンション名を指定します。各変数の定義については、データの収集と整理をご覧ください。

    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_media(
      m_nd=media_nd,
      ms_nd=media_spend_nd,
      media_channels=["channel0", "channel1"]
    )
)

data = builder.build()

    詳細は次のとおりです。

    • kpi_type は、'revenue' か 'non_revenue' のいずれかです。

Pandas DataFrame またはその他のデータ形式

シミュレートされた他のデータ形式（excel など）を DataFrameInputDataBuilder を使って読み込む手順は次のとおりです。

  1. データ（excel スプレッドシートなど）を 1 つ以上の Pandas DataFrame に読み込みます。

    import pandas as pd

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

  2. DataFrameInputDataBuilder を使って、列名をメリディアンの入力データで必要な変数型にマッピングします。各変数の定義については、データの収集と整理をご覧ください。

    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"])
)
channels = ["Channel0", "Channel1", "Channel2", "Channel3", "Channel4", "Channel5"]
builder = builder.with_media(
    df,
    media_cols=[f"{channel}_impression" for channel in channels],
    media_spend_cols=[f"{channel}_spend" for channel in channels],
    media_channels=channels,
)

data = builder.build()

    詳細は次のとおりです。

    • kpi_type は、'revenue' か 'non_revenue' のいずれかです。

次にモデルを作成します。

前へ
サポートされているデータ型と形式
次へ
リーチとフリークエンシーのデータがある地域レベルのデータを読み込む