知识一：df.map() 方法
我们先来看一下下面这个问题。
现在想继续处理第 6 题中的某男子私立大学三名延毕学生数据，因为学校有规定挂科次数和旷课次数加起来超过 50 次的会开除学籍。
现在我们不想看到总次数，而是想把大于 50 次的次数换成开除，其他的换成延毕，如下图：
我们可以用 df.replace() 方法解决，代码如下：
# 某男子私立大学三名延毕学生数据
df_6 = pd.DataFrame({'姓名': ['零某某', '徐放牛', '文学'],
'性别': ['男', '男', '男'],
'专业': ['生物信息', '人工智能', '电子竞技'],
'挂科次数': ['7', '5', '4'],
'旷课次数': [45, 44, 30],
'总次数': [52, 49, 34]})
# 把总次数大于50次的值换成“开除”，其他的换成“延毕”
df_6['总次数'] = df_6['总次数'].replace({52: '开除', 49: '延毕', 34: '延毕'})
# 查看数据
df_6
但是当数据量稍微多一点的时候这个方法就有点行不通了，我们可能需要通过其他方法来解决这个问题。
df.map() 方法就是一个不错的选择，我们来看看 df.map() 是怎么解决这个问题的，代码如下：
# 某男子私立大学三名延毕学生数据
df_7 = pd.DataFrame({'姓名': ['零某某', '徐放牛', '文学'],
'性别': ['男', '男', '男'],
'专业': ['生物信息', '人工智能', '电子竞技'],
'挂科次数': ['7', '5', '4'],
'旷课次数': [45, 44, 30],
'总次数': [52, 49, 34]})
# 先定义一个函数
def map_judge(x):
if x >= 50:
return "开除"
else:
return "延毕"
# 将函数 map_judge 作为参数传入 df.map()
df_7['总次数'] = df_7['总次数'].map(map_judge)
# 查看数据
df_7
df_7['总次数'] = df_7['总次数'].map(map_score) 可以理解为 df.map() 方法将 df['总次数'] 这一列的每个数据作为 x 传入到 map_judge 函数中。
再对每一个数据进行判断、替换。也就是 df.map() 方法可以使用自定义函数按条件批量替换数据，比起 df.replace() 方法更加灵活。
# 某男子私立大学三名延毕学生数据
df_8 = pd.DataFrame({'姓名': ['零某某', '徐放牛', '文学'],
'性别': ['男', '男', '男'],
'专业': ['生物信息', '人工智能', '电子竞技'],
'挂科次数': ['7', '5', '4'],
'旷课次数': [45, 44, 30],
'总次数': ['开除', '延毕', '延毕']})
# 先定义一个函数
def map_amount(x):
if x>=40:
return '多'
else:
return '少'
# 将函数作为参数传入df.map()
df_8['旷课次数'] = df_8['旷课次数'].map(map_amount)
# 查看数据
df_8
知识二：AARRR模型
AARRR 模型常用来对用户从获取阶段到传播阶段其间的数据进行分析，以便于找到薄弱环节进行有效提升。可分为五个阶段，分别是：
获取用户（Acquisition）
激活用户（Activation）
提高留存（Retention）
增加收入（revenue）
推荐（Referral）
1.一个新的 APP 肯定需要有新用户的注册，也就是获取用户。我们可以通过各种渠道去获取用户，然后通过日新增用户数等指标去衡量获取用户这个阶段的好坏。
2.用户注册完 APP 可能看了一眼但并没有真正使用，所以在获取用户之后需要激活用户，例如通过发放券。
3.激活用户之后我们要想办法让用户变成回头客，让用户养成使用习惯，也就是提高留存，减少用户流失。例如每日小游戏可获取积分，积分可以兑换礼品。
4.在 APP 能正常维持运营后，我们肯定要想办法赚到更多的钱，也就是增加收入。上面的三个阶段都有可能会影响到收入，例如新用户的减少和用户流失都可能会导致收入减少。
5.最后一个阶段是推荐，也就是用户自己将 APP 分享给其他人，从而带来新的用户。用户可能会把自己喜欢的 APP 推荐给他人，但这种情况很少。这时候就需要采取一定的激励措施。例如推荐一位好友注册 APP，你和好友都可以获得 10 元现金奖励。
简单来说，AARRR 模型可以通过各种指标帮助我们分析用户的行为，从而在不同的阶段制定不同的运营策略。
