Практика
Практика в Jupyter из шага урока
Тот же Jupyter, что открывается из урока: файлы, ядро и вывод рядом с заданием. Дальше — лаборатория или Studio. Это практика курса, не прод-AML.
Ниже — превью шага. Живые ячейки открываются из лаборатории по корпоративной учётной записи. Не обещаем готовую автоматику.
Маршрут
Что можно сделать
Урок открывает практику. После расчёта — лаборатория или Studio, решение остаётся за человеком.
Урок
Из шага урока
Шаг «Практика в Jupyter» открывает ту же среду — без локальной установки и без отдельного продукта «ноутбуки».
- шаг урока
- файлы задания
Среда
Jupyter после входа
Полный Jupyter из шага урока: ядро, датасет и проверка. Вход — по корпоративной учётной записи.
- ядро рядом с заданием
- после входа
Дальше
Лаборатория и Studio
После расчёта — сценарии ZuBrIQFlow или материалы в Studio. Человек остаётся в решении.
- ZuBrIQFlow
- Studio
Превью
Как выглядит шаг
Макет ячеек. Живое ядро — в среде после входа, не в этом превью.
Шаг урока · признаки
Проверьте признаки на учебных данных. Файл уже в рабочей папке шага.
import pandas as pd
import matplotlib.pyplot as plt
customers = pd.read_csv('customers.csv')
customers[['tenure_months', 'tickets_30d', 'nps', 'churned']].head()
tenure_months tickets_30d nps churned
0 4 3 6.0 1
1 18 0 9.0 0
2 9 2 7.0 0
3 31 1 8.0 0
4 2 5 3.0 1features = customers.assign(
ticket_rate=customers['tickets_30d']
/ customers['tenure_months'].clip(lower=1)
)
features[['tenure_months', 'ticket_rate', 'nps', 'churned']].corr().round(3)
tenure_m ticket_rate nps churned
tenure_m 1.000 -0.412 0.186 -0.341
ticket_rate -0.412 1.000 -0.274 0.503
nps 0.186 -0.274 1.000 -0.298
churned -0.341 0.503 -0.298 1.000tenure_bin = pd.cut(
customers['tenure_months'],
bins=[0, 6, 12, 24, 120],
labels=['0–6m', '6–12m', '12–24m', '24m+'],
)
rate = customers.groupby(tenure_bin, observed=True)['churned'].mean() * 100
rate.plot(kind='bar', color='#0ea5e9', rot=0)
plt.ylabel('churn rate, %')
plt.title('Churn rate by tenure')
plt.tight_layout()