案例实战 | Python 玩转 AB 测试中的分层抽样与假设检验！（附代码和数据集）...

今天由优秀的萝卜同学给大家分享一篇AB测试干货~

本文会将原理知识穿插于代码段中，相关代码和数据集空降文末可以获取。

前言

在电商网站 AB 测试非常常见，是将统计学与程序代码结合的经典案例之一。尽管如此，里面还是有许多值得学习和注意的地方。

A/B 测试用于测试网页的修改效果(浏览量，注册率等)，测试需进行一场实验，实验中控制组为网页旧版本，实验组为网页新版本，实验还需选出一个指标 来衡量每组用户的参与度，然后根据实验结果来判断哪个版本效果更好。

通过这些测试，我们可以观察什么样的改动能最大化指标，测试适用的改动类型十分广泛，上到增加元素的大改动，下到颜色小变动都可使用这些测试。

背景

在本次案例研究中，我们将为教育平台 “ 不吹牛分析网 ” 分析 A/B 测试的结果，以下是该公司网站的客户漏斗模型：浏览主页 > 浏览课程概述页面(课程首页) > 注册课程 > 付费并完成课程

越深入漏斗模型，不吹牛分析网就会流失越多的用户（正常现象），能进入最后阶段的用户寥寥无几。为了提高参与度，提高每个阶段之间的转化率，z哥试着做出一些改动，并对改动进行了 A/B 测试，我们将帮z哥分析相关测试结果，并根据结果建议是否该实现页面改版。

因为利用 Python 进行 A/B 测试在每个数据集上的使用大同小异，所以我们这里只展示课程首页的A/B测试过程，其余页面的数据集会一并提供给大家作为练习。

Python实战

  数据读入

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
plt.rc('font',**{'family':'Microsoft YaHei, SimHei'})


 # 设置中文字体的支持
# 实现 notebook 的多行输出
from IPython.core.interactives