Я определил следующую формулу для расчета Net балла промоутера («NPS»):
def nps_calc(data):
promoter_share = data[data.nps > 8].count()/len(data)
detractor_share = data[data.nps < 7].count()/len(data)
nps_score = (round((promoter_share - detractor_share)*100,0))
return nps_score
Я применил приведенную выше формулу в заявлении groupby для расчета баллов NPS для отдельных месяцев на основе столбец "nps". Столбец «месяц» представляет собой просто целое число (1–12).
df.groupby(['Country','Segment','Month']).apply(nps_calc).nps
То, на чем я застрял, - это go с точки зрения одного месяца на скользящую перспективу за 3 месяца . Это означает, что нужно применять формулу NPS в течение трехмесячного скользящего окна в месяц и получать NPS из процентной доли всех «промоутеров» за последние 3 месяца минус процентная доля всех «недоброжелателей» за последние 3 месяца.
Обратите внимание: я не говорю здесь о скользящих средних (усреднение результатов за 3 месяца - не одно и то же, и результаты немного различаются) .
Я немного потерялся между такие операторы, как «.rolling ()», «.apply ()», последний выпуск Pandas (с некоторыми улучшениями в скользящих вычислениях?) и, возможно, другое настраиваемое определение для скользящего расчета NPS?
Как вы думаете, как лучше всего с этим справиться?
Вот как выглядят входные данные. Таблица довольно большая, но это интересующие переменные. С 2020 года есть несколько стран, сегментов и месяцев. Рейтинги NPS представляют собой целые числа от 0 до 10.
| Страна | Сегмент | Месяц | nps |
| 1 | 1 | 1 | 7 |
| 1 | 1 | 1 | 4 |
| 1 | 1 | 1 | 9 |
| 1 | 2 | 1 | 10 |
| 1 | 2 | 2 | 7 |
| 1 | 2 | 2 | 5 |
| 1 | 1 | 3 | 1 |
| 1 | 2 | 3 | 9 |
| 1 | 2 | 1 | 6 |
| 2 | 2 | 2 | 8 |
| 2 | 1 | 3 | 0 |