Rendimiento de Anuncios

Tabla: Ads

+---------------+---------+ | Column Name | Type | +---------------+---------+ | ad_id | int | | user_id | int | | action | enum | +---------------+---------+ - (ad_id, user_id) es la clave primaria (combination combinación de columnas con valores únicos) para esta tabla. - Cada fila de esta tabla contiene el ID para un Anuncio, el ID de un usuario, y la acción tomada por este usuario respecto a este Anuncio. - La columna "action" es un tipo ENUM (categoría) de ('Clicked', 'Viewed', 'Ignored')

Una empresa está realizando Anuncios y quiere calcular el rendimiento de cada Anuncio. El rendimiento del Anuncio se mide usando la Tasa de Clics (CTR) donde

CTR={0,si total clics anuncio + total vistas anuncio=0total clics anunciototal clics anuncio + total vistas anuncio×100,en caso contrarioCTR = \begin{cases} 0, & \text{si total clics anuncio + total vistas anuncio} = 0 \\ \frac{\text{total clics anuncio}}{\text{total clics anuncio + total vistas anuncio}} \times 100, & \text{en caso contrario} \end{cases}

Escribe una solución para encontrar el ctr de cada anuncio. Redondea ctr a dos decimales.

Devuelve la tabla de resultados ordenada por ctr en orden descendente y por ad_id en orden ascendente en caso de empate.

Ejemplo

Input:

Tabla Ads: +-------+---------+---------+ | ad_id | user_id | action | +-------+---------+---------+ | 1 | 1 | Clicked | | 2 | 2 | Clicked | | 3 | 3 | Viewed | | 5 | 5 | Ignored | | 1 | 7 | Ignored | | 2 | 7 | Viewed | | 3 | 5 | Clicked | | 1 | 4 | Viewed | | 2 | 11 | Viewed | | 1 | 2 | Clicked | +-------+---------+---------+

Output:

+-------+-------+ | ad_id | ctr | +-------+-------+ | 1 | 66.67 | | 3 | 50.00 | | 2 | 33.33 | | 5 | 0.00 | +-------+-------+ Explicación: - para ad_id = 1, ctr = (2/(2+1)) * 100 = 66.67 - para ad_id = 2, ctr = (1/(1+2)) * 100 = 33.33 - para ad_id = 3, ctr = (1/(1+1)) * 100 = 50.00 - para ad_id = 5, ctr = 0.00, Nota que ad_id = 5 no tiene clics o vistas. Nota: no nos importan los Anuncios Ignorados.

Soluciones

Python
import pandas as pd
import numpy as np

def ads_performance(ads: pd.DataFrame) -> pd.DataFrame:
    
    # Filtrar acciones 'Ignored' - solo nos importan 'Clicked' y 'Viewed'
    relevant_ads = ads[ads['action'].isin(['Clicked', 'Viewed'])].copy()
    
    # Contar clics y vistas para cada ad_id
    ad_stats = relevant_ads.groupby(['ad_id', 'action']).size().unstack(fill_value=0)
    
    # Asegurar que ambas columnas 'Clicked' y 'Viewed' existan
    if 'Clicked' not in ad_stats.columns:
        ad_stats['Clicked'] = 0
    if 'Viewed' not in ad_stats.columns:
        ad_stats['Viewed'] = 0
    
    # Calcular total de interacciones (clics + vistas)
    ad_stats['total_interactions'] = ad_stats['Clicked'] + ad_stats['Viewed']
    
    # Calcular CTR usando la fórmula dada
    ad_stats['ctr'] = np.where(
        ad_stats['total_interactions'] == 0,
        0.0,
        (ad_stats['Clicked'] / ad_stats['total_interactions']) * 100
    )
    
    # Redondear a 2 decimales
    ad_stats['ctr'] = ad_stats['ctr'].round(2)
    
    # Obtener todos los ad_ids únicos de los datos originales para incluir anuncios sin clics/vistas
    all_ads = pd.DataFrame({'ad_id': ads['ad_id'].unique()})
    
    # Hacer merge para incluir anuncios que podrían tener CTR = 0
    result = all_ads.merge(
        ad_stats[['ctr']].reset_index(), 
        on='ad_id', 
        how='left'
    )
    
    # Llenar valores NaN con 0.00 (anuncios sin clics o vistas)
    result['ctr'] = result['ctr'].fillna(0.00)
    
    # Ordenar por ctr descendente, luego por ad_id ascendente
    result = result.sort_values(['ctr', 'ad_id'], ascending=[False, True])
    
    return result[['ad_id', 'ctr']]
BUSCARCtrl K