Посчитайте retention для простого датасета с помощью pandas (базовый groupby)?

Короткий ответ

Нужно для каждого пользователя найти дату регистрации и проверить, есть ли у него событие в интересующий день (например, day+7), а затем усреднить этот признак по всем пользователям когорты.

Как это работает подробнее

объединяем таблицу регистраций с таблицей событий, вычисляем разницу в днях между датой события и датой регистрации, создаём булев признак "был активен на day N" и усредняем по когорте.

Пример кода

retention.pyКопировать

import pandas as pd
users = pd.DataFrame({
    'user_id': [1, 2, 3, 4],
    'reg_date': pd.to_datetime(['2024-03-01']*4)
})
events = pd.DataFrame({
    'user_id': [1, 1, 2, 4],
    'event_date': pd.to_datetime(['2024-03-01', '2024-03-08', '2024-03-02', '2024-03-08'])
})
merged = users.merge(events, on='user_id', how='left')
merged['day_diff'] = (merged['event_date'] - merged['reg_date']).dt.days
d7_active = merged.loc[merged['day_diff'] == 7, 'user_id'].unique()
d7_retention = len(d7_active) / users['user_id'].nunique()
print(d7_retention)  # 0.5 (пользователи 1 и 4 из 4)

Что использовать на практике

• Применение. в pandas 2.x при работе с датами важно явно приводить столбцы к datetime64, а при объединении больших таблиц проверять, не дублируются ли строки после merge (это завышает метрику); в pandas 2.x с включённым copy-on-write операции присваивания на срезах ведут себя иначе, чем в pandas 1.x — лучше избегать cepnых chained assignments.
• Проверка или пример. Проверка: d7_retention должен лежать в [0;1]; пересчитать вручную по небольшому датасету.

Подводные камни

• Частая ошибка. считают retention как долю от общего числа событий, а не от числа уникальных пользователей когорты; не фильтруют дубликаты событий на один день для одного пользователя, из-за чего один активный пользователь может задвоиться после merge.