Главная

import pandas as pd support = pd.read_csv('/datasets/support.csv') print (support.head(10))

import pandas as pd
support = pd.read_csv('/datasets/support.csv')
print (support.info())

import pandas as pd
support = pd.read_csv('/datasets/support.csv')
support = support.rename(columns={'Тип обращения':'type_message'})
support = support.rename(columns={'Время обращения':'timestamp'})
print (support.info())

 

0  DNcd8dnS   Жалоба на товар в магазине        3  2019-03-28 13:58:24
1  0e9MvwGs                Мошенничество        5  2019-03-08 17:11:59
2  boyDUG4C                Мошенничество        5  2019-03-03 17:52:34
3  5jMA27s1   Жалоба на товар в магазине        3  2019-03-16 15:18:21
4  wvtyctOK             Накрутка отзывов        2  2019-03-13 14:43:14
5  zvN8W1tc         Жалоба на видеообзор        8  2019-03-29 20:32:17
6  bBmybSbr             Не работает сайт        1  2019-04-08 21:37:15
7  5JX1P5G8  Продажа запрещенных товаров        6  2019-04-06 12:15:20
8  pbbG3xWx             Не работает сайт        1  2019-04-09 17:30:43
9  vZWtTovT   Жалоба на товар в магазине        3  2019-04-16 12:26:16

К чему приводит такой способ хранения?

• Усложняется визуальная работа с таблицей.
• Увеличивается размер файла и время обработки данных.
• Чтобы отфильтровать данные по типу обращения, приходится набирать его полное название. А в нём можно ошибиться.
• Создание новых категорий и изменение старых отнимает много времени. Предупредить появление этих проблем можно. Создадим отдельный «справочник», где названию категории будет соответствовать номер. И в будущих таблицах будем обращаться уже не к длинной строке, а к её числовому обозначению.

Рассмотрим на примере. Владельцы сети ресторанов хотят оценить текущую ситуацию на рынке, чтобы понять, какой ресторан открыть следующим.

import pandas as pd
data = pd.read_csv('food_market_stats.csv')
print(data.head(10))

id          cuisine     rating                name
0   1  Ближневосточная     5.0  The Grand Barbecue
1   1  Ближневосточная     5.0  The Grand Barbecue
2   1  Ближневосточная     5.0  The Grand Barbecue
3   1  Ближневосточная     4.0  The Grand Barbecue
4   1  Ближневосточная     4.0  The Grand Barbecue
5   1  Ближневосточная     5.0  The Grand Barbecue
6   1  Ближневосточная     5.0  The Grand Barbecue
7   1  Ближневосточная     3.0  The Grand Barbecue
8   1  Ближневосточная     1.0  The Grand Barbecue
9   1  Ближневосточная     5.0  The Grand Barbecue

print(data['cuisine'].value_counts().head(15))

Кавказская                             3289
Средиземноморская                      2678
Японская                               2670
Русская                                2521
Ближневосточная                        2343
Азиатская                              1977
Русская|Азиатская                      1695
Кавказская|Русская                     1586
Средиземноморская|Русская|Японская     1473
Ближневосточная|Японская               1137
Русская|Кавказская                     1111
Японская|Азиатская                     1089
Русская|Японская|Кавказская             984
Ближневосточная|Японская|Кавказская     886
Кавказская|Азиатская                    799
Name: kitchen, dtype: int64

print(len(data['id'].unique()))

>> 273

rest_log = data[['id','rating']]
print(rest_log.head(10))

id  rating
0   1     5.0
1   1     5.0
2   1     5.0
3   1     4.0
4   1     4.0
5   1     5.0
6   1     5.0
7   1     3.0
8   1     1.0
9   1     5.0

rest_dict = data[['id', 'cuisine', 'name']]
print(rest_dict.head(10))

id          cuisine                name
0   1  Ближневосточная  The Grand Barbecue
1   1  Ближневосточная  The Grand Barbecue
2   1  Ближневосточная  The Grand Barbecue
3   1  Ближневосточная  The Grand Barbecue
4   1  Ближневосточная  The Grand Barbecue
5   1  Ближневосточная  The Grand Barbecue
6   1  Ближневосточная  The Grand Barbecue
7   1  Ближневосточная  The Grand Barbecue
8   1  Ближневосточная  The Grand Barbecue
9   1  Ближневосточная  The Grand Barbecue

В «справочнике» вы заметили большое количество дубликатов. Их нужно удалить. Применим знакомую цепочку методов: drop_duplicates() и reset_index().

rest_dict = rest_dict.drop_duplicates().reset_index(drop=True)
print(rest_dict.head())

id                             cuisine                  name
0   1                     Ближневосточная    The Grand Barbecue
1   2                            Японская       The Bitter Bite
2   3                          Кавказская       The Curry Apple
3   4                            Японская  The Caviar Courtyard
4   5  Кавказская|Ближневосточная|Русская   The Little Brothers

После удаления дубликатов представление данных с оценками посетителей стало компактнее. Таблицу легко группировать по id ресторана и находить средний рейтинг.

print(rest_log.groupby('id').mean().sort_values('rating',ascending=False).head(10))

rating
id           
134  4.159420
111  4.133333
167  4.131250
113  4.113208
162  4.099010
219  4.095238
20   4.090909
264  4.031746
47   4.029167
77   4.024490

Надо сказать, что на практике декомпозировать таблицы приходится не так часто, чаще требуется их объединить по какому-то столбцу.

Вы научитесь это делать в следующем спринте. Однако сам навык создания подобных таблиц-«справочников» очень полезен.

Проделаем то же самое с обращениями в службу поддержки.

Задача №1

Уточните, сколько раз встречается каждый тип обращений. Результат выведите на экран.

import pandas as pd

support = pd.read_csv('/datasets/support_upd.csv')
print (support['type_message'].value_counts().head(10))

Жалоба на товар в магазине      606
Мошенничество                   586
Продажа поддельной продукции    312
Не работает сайт                311
Продажа запрещенных товаров     303
Накрутка отзывов                302
Жалоба на видеообзор            297
Отзыв удалён                    283
Name: type_message, dtype: int64

И такая дребедень целый день.

import pandas as pd

support = pd.read_csv('/datasets/support_upd.csv')
support_log = support[['user_id','type_id','timestamp']]
print (support_log.head(10))

Результат
    user_id  type_id            timestamp
0  DNcd8dnS        3  2019-03-28 13:58:24
1  0e9MvwGs        5  2019-03-08 17:11:59
2  boyDUG4C        5  2019-03-03 17:52:34
3  5jMA27s1        3  2019-03-16 15:18:21
4  wvtyctOK        2  2019-03-13 14:43:14
5  zvN8W1tc        8  2019-03-29 20:32:17
6  bBmybSbr        1  2019-04-08 21:37:15
7  5JX1P5G8        6  2019-04-06 12:15:20
8  pbbG3xWx        1  2019-04-09 17:30:43
9  vZWtTovT        3  2019-04-16 12:26:16

Теперь неизвестно кто жалуется непонятно на что. Зато знаем точно, когда.

 

 

Создайте новую таблицу support_dict. Из таблицы support перенесите следующие столбцы: 'type_message', 'type_id'. Первые 10 строк support_dict выведите на экран.

import pandas as pd

support = pd.read_csv('/datasets/support_upd.csv')
support_dict = support[['type_message', 'type_id']]
print (support_dict.head(10))

Результат
                  type_message  type_id
0   Жалоба на товар в магазине        3
1                Мошенничество        5
2                Мошенничество        5
3   Жалоба на товар в магазине        3
4             Накрутка отзывов        2
5         Жалоба на видеообзор        8
6             Не работает сайт        1
7  Продажа запрещенных товаров        6
8             Не работает сайт        1
9   Жалоба на товар в магазине        3

Вы создали таблицу, где каждому типу жалобы сопоставлен идентификатор.

 

Удалите дубликаты в таблице support_dict и распечатайте её в порядке возрастания значений столбца type_id.

import pandas as pd

support = pd.read_csv('/datasets/support_upd.csv')
support_dict=support[['type_message','type_id']]
support_dict = support_dict.drop_duplicates().reset_index(drop=True)
print (support_dict.sort_values('type_id',ascending=True))

Результат
                   type_message  type_id
4              Не работает сайт        1
2              Накрутка отзывов        2
0    Жалоба на товар в магазине        3
6  Продажа поддельной продукции        4
1                 Мошенничество        5
5   Продажа запрещенных товаров        6
7                  Отзыв удалён        7
3          Жалоба на видеообзор        8

Грустит самурай Отзывы накрутили

Поддержка, как быть?

 

import pandas as pd

clients = pd.read_csv('stats_by_age.csv')
print(clients.head())

\	id	first_name	last_name	age
0	1	Alikee	O'Mullally	24
1	2	Rosella	Winnard	29
2	3	Peri	Talmadge	37
3	4	Brose	Attwooll	21
4	5	Rycca	Caunter	29

 

В столбце FIRST_NAME значатся имена клиентов, в столбце LAST_NAME — их фамилии, а возраст — целые числа в столбце AGE. Количество клиентов каждого возраста можно посчитать методом value_counts():

print(clients['age'].value_counts())

17    13
20    10
37     9
....
72     1
73     1
16     1
Name: age, dtype: int64

Какие выводы можно сделать из этих данных?

Неужели компании необходимо сосредоточиться на двадцати-, семнадцати- и тридцатисемилетних, а всех, кому 16 или 38, оставить без внимания?

И как тогда быть на следующий год?

Работать с единичными отрывками и делать из них статистические выводы нельзя. Значит, нужно сгруппировать данные, чтобы численности каждой группы хватало для формулировки выводов.

Нужна категоризация — объединение данных в категории. Распределим клиентов так:

• Клиенты до 18 лет включительно попадают в категорию «дети»;
• Клиенты от 19 до 64 лет — категория «взрослые»;
• Клиенты 65 лет и старше принадлежат к категории «пенсионеры».

Запишем правила классификации клиентов как функции. В отличие от стандартных методов Pandas функции гибки: в них можно закладывать более сложную логику и добавлять новые требования. Тестировать функции подстановкой разных значений удобнее, чем применять методы Pandas ко всему датафрейму.

На вход функции попадает возраст, а возвращает она категорию клиента. Опишем функцию:

def age_group(age):
    """
    Возвращает возрастную группу по значению возраста age, используя правила:
    - 'дети', если age <= 18 лет;
    - 'взрослые', если age от 19 до 64;
    - 'пенсионеры' — от 65 и старше.
    """
    
    if age <= 18:
        return 'дети'
    if age <= 64:
        return 'взрослые'
    return 'пенсионеры'

Протестируем работу функции для каждого правила. Проверим, в какую категорию попадёт четырнадцатилетний клиент:

print(age_group(14))

дети

... пятидесятипятилетний: 

print(age_group(55))

взрослые

... и наконец, семидесятилетний: 

print(age_group(70))

пенсионеры

Написанная функция работает корректно. Осталось создать отдельный столбец с возрастными категориями, и в его ячейках записать значения, возвращаемые функцией.

Для этого нужен метод apply(): он берёт значения столбца датафрейма и применяет к ним функцию из своего аргумента. Здесь apply() следует вызвать для столбца AGE, так как в нём содержатся данные, которые функция примет на вход. Аргументом метода станет сама функция age_group.

clients['age_group'] = clients['age'].apply(age_group)
print(clients.head(10))

	id	first_name	last_name	age	age_group
0	1	Alikee	O'Mullally	24	взрослые
1	2	Rosella	Winnard	29	взрослые
2	3	Peri	Talmadge	37	взрослые
3	4	Brose	Attwooll	21	взрослые
4	5	Rycca	Caunter	29	взрослые
5	6	Jennine	Gamage	27	взрослые
6	7	Archibold	Wife	72	пенсионеры
7	8	Karalynn	Busk	23	взрослые
8	9	Kari	Canlin	29	взрослые
9	10	Asia	Cudde	28	взрослые

Выведем статистику по возрастной группе методом value_counts():

print(clients['age_group'].value_counts())

взрослые      145
дети           22
пенсионеры      7
Name: age_group, dtype: int64

В таком виде данные годятся для анализа.

Также методом apply() можно создать столбец на основе данных из нескольких других столбцов.

Допустим, нужно сделать новый столбец с полным именем клиента. Напишем функцию, которая принимает строку датафрейма как аргумент row. Строка таблицы — это объект Series, поэтому в теле функции можно обратиться к отдельным её ячейкам:

def make_full_name(row):
    """
    Возвращает полное имя (сочетание имени и фамилии)
    """
    full_name = row['first_name'] + ' ' + row['last_name']
    return full_name

Когда метод apply() оперирует данными из нескольких столбцов, его вызывают ко всему датафрейму. В таком случае он принимает не только название функции, но и параметр axis: со значением 1, чтобы применить метод ко всем строкам датафрейма, и со значением 0 — ко всем столбцам.

clients['full_name'] = clients.apply(make_full_name, axis=1)
print(clients.head(10))

   id first_name   last_name  age          full_name
0   1     Alikee  O'Mullally   24  Alikee O'Mullally
1   2    Rosella     Winnard   29    Rosella Winnard
2   3       Peri    Talmadge   37      Peri Talmadge
3   4      Brose    Attwooll   21     Brose Attwooll
4   5      Rycca     Caunter   29      Rycca Caunter
5   6    Jennine      Gamage   27     Jennine Gamage
6   7  Archibold        Wife   72     Archibold Wife
7   8   Karalynn        Busk   23      Karalynn Busk
8   9       Kari      Canlin   29        Kari Canlin
9  10       Asia       Cudde   28         Asia Cudde

Метод apply() позволяет применить функцию к каждой строке датафрейма без цикла. В pandas перебор строк циклами — это неоптимальный путь, «сжирающий» время и память.

 

Задача №1

 

Сгруппируйте данные по типу события и посчитайте количество событий. Сохраните группировку с подсчётом в переменной support_log_grouped и выведите её на экран.

import pandas as pd

support_log = pd.read_csv('/datasets/support_log.csv')
support_log_grouped = support_log.groupby('type_id').count()
print (support_log_grouped)

Результат
         Unnamed: 0  user_id  timestamp
type_id
1               311      311        311
2               302      302        302
3               606      606        606
4               312      312        312
5               586      586        586
6               303      303        303
7               283      283        283
8               297      297        297

Ваша наука — борьба с самыми разными проблемами. Любая наука начинается с классификации. Вот противники разделены на типы и пересчитаны по головам.

 

Напишите функцию alert_group(messages), которая оценивает приоритет в зависимости от количества сообщений. Если параметр не более 300, она должна возвращать строку 'средний', если значение параметра от 301 до 500 включительно, тогда строку 'высокий'. Для более высоких значений должна возвращаться строка 'критичный'. Проверьте, что ваша функция отвечает верно, когда ей передают числа 10, 450, 1000. Каждое значение выводите на новой строке.

import pandas as pd

support_log = pd.read_csv('/datasets/support_log.csv')
support_log_grouped = support_log.groupby('type_id').count()

def alert_group(messages):
    if messages <= 300:
        return 'средний'
    elif messages <= 500:
        return 'высокий'
    return 'критичный'

print (alert_group(10))
print (alert_group(450))
print (alert_group(1000))

средний
высокий
критичный

Трудности есть большие, очень большие и средние. А мелких нет. Потому что каждое обращение клиента важно. Привыкайте!

Задача №3

Добавьте к таблице support_log_grouped столбец 'alert_group', где хранятся результаты применения вашей функции alert_group().

Закомментируйте результаты предыдущего задания. Посмотрите верхние 10 строк support_log_grouped: убедитесь, что функция правильно расставила приоритеты.

import pandas as pd

support_log = pd.read_csv('/datasets/support_log.csv')
support_log_grouped = support_log.groupby('type_id').count()

def alert_group(messages):
    if messages <= 300:
        return 'средний'
    elif messages <= 500:
        return 'высокий'
    return 'критичный'

#print (alert_group(10))
#print (alert_group(450))
#print (alert_group(1000))

support_log_grouped['alert_group'] = support_log_grouped['user_id'].apply(alert_group)
print (support_log_grouped.head(10))

Результат
         Unnamed: 0  user_id  timestamp alert_group
type_id
1               311      311        311     высокий
2               302      302        302     высокий
3               606      606        606   критичный
4               312      312        312     высокий
5               586      586        586   критичный
6               303      303        303     высокий
7               283      283        283     средний
8               297      297        297     средний

Каждому обращению прописан приоритет. Если критичных нет, можете устроить совещание. А если есть, придётся работать.

 

 

Посчитайте количество обращений по каждому приоритету и выведите результат на экран. Вывод от прошлых задач при необходимости закомментируйте.

import pandas as pd

support_log = pd.read_csv('/datasets/support_log.csv')
support_log_grouped = support_log.groupby('type_id').count()

def alert_group(messages):
    if messages <= 300:
        return 'средний'
    elif messages <= 500:
        return 'высокий'
    return 'критичный'

#print (alert_group(10))
#print (alert_group(450))
#print (alert_group(1000))

support_log_grouped['alert_group'] = support_log_grouped['user_id'].apply(alert_group)
#print (support_log_grouped.head(10))

print (support_log_grouped.groupby('alert_group').sum())

 

Результат
             Unnamed: 0  user_id  timestamp
alert_group
высокий            1228     1228       1228
критичный          1192     1192       1192
средний             580      580        580

Спросите у Алисы, как грамотно сообщать своим сотрудникам, что всё плохо.

 

 

import pandas as pd
clients = pd.read_csv('/datasets/stats_by_age_employment.csv')
clients.head(10)

	id	first_name	last_name	age	unemployed
    ---------------------------------------------
0	1	Alikee	O'Mullally	24	1
1	2	Rosella	Winnard	29	0
2	3	Peri	Talmadge	37	0
3	4	Brose	Attwooll	21	1
4	5	Rycca	Caunter	29	0
5	6	Jennine	Gamage	27	0
6	7	Archibold	Wife	72	1
7	8	Karalynn	Busk	23	0
8	9	Kari	Canlin	29	0
9	10	Asia	Cudde	28	0

В прошлом уроке вы научились писать функции, работающие лишь с одним значением на входе. Так, функции age_group, возвращающей возрастную категорию клиента, требовалось значение столбца ['age'].

Однако правила распределения клиентов по категориям перестали зависеть только от возраста:

• Клиенты до 18 лет включительно по-прежнему в категории «дети»;
• Клиенты от 19 до 64 лет при наличии работы — категория «занятые»;
• Клиенты от 19 до 64 лет без работы — «безработные»;
• Клиенты старше 65 лет остаются в категории «пенсионеры».

Получается, называя клиента «занятым» или «безработным», принимают во внимание значения двух столбцов: возраста ['age'] и занятости ['unemployed'].

Чтобы функция учитывала несколько столбцов датафрейма, в качестве аргумента ей передают всю строку целиком. Обозначим строку переменной row, а в коде функции обратимся к конкретным значениям столбцов row['age'] и row['unemployed'].

import pandas as pd
clients = pd.read_csv('/datasets/stats_by_age_employment.csv')

def age_group_unemployed(row):
"""
Возвращает возрастную группу по значению возраста age и занятости unemployed, используя правила:
- 'дети' при значении age <= 18 лет
- 'безработные' при значении age от 19 до 64 лет включительно и значении unemployed = 1
- 'занятые' при значении age от 19 до 64 лет включительно и значении unemployed = 0
- 'пенсионеры' во всех остальных случаях
"""
    age = row['age']
    unemployed = row['unemployed']

    if age <= 18:
        return 'дети'

    if age <= 64:
        if unemployed == 1:
            return 'безработные'

        return 'занятые'

    return 'пенсионеры'

В прошлом уроке, тестируя работу функции, мы меняли количество лет в её аргументе. Сейчас на входе не только возраст, но и занятость, значит, для проверки нужно передавать целую строку датафрейма с этими значениями. Это делают в несколько шагов:

1. Создают два списка. В одном — значения, в другом — названия столбцов датафрейма

   row_values = [24, 1] #значения возраста и занятости 
   row_columns = ['age', 'unemployed'] #названия столбцов

2. Формируют строку:

   row = pd.Series(data=row_values, index=row_columns) 

3. Передают строку в качестве аргумента функции для тестирования:

   age_group_unemployed(row)

Проверим работу функции при разных значениях на входе:

...
row_values = [24, 1] #клиенту 24 года, и он безработный
row_columns = ['age', 'unemployed']
row = pd.Series(data=row_values, index=row_columns) 
age_group_unemployed(row)

'безработные' 

...
row_values = [36, 0] #клиенту 36 лет, и у него есть работа
row_columns = ['age', 'unemployed']
row = pd.Series(data=row_values, index=row_columns) 
age_group_unemployed(row)

'занятые'

 

Функция работает корректно. Осталось создать новый столбец clients['age_group'] со значениями-результатами работы функции age_group_unemployed(). Как и в прошлом уроке, вызовем метод apply(), однако с двумя важными отличиями от прошлого примера:

1. Метод apply() применяем не к столбцу clients['age'], а к датафрейму clients.
2. По умолчанию Pandas передаёт в функцию age_group_unemployed() столбец. Чтобы на вход в функцию отправлялись строки, нужно указать параметр axis = 1 метода apply().

С учётом этих двух замечаний новый столбец age_group формируется так:

clients['age_group'] = clients.apply(age_group_unemployed, axis=1)

Проверим результат работы функции:

import pandas as pd
clients = pd.read_csv('/datasets/stats_by_age_employment.csv')
def age_group_unemployed(row):
"""
Возвращает возврастную группу по значению возраста age и занятости unemployed, используя правила:
- 'дети' при значении age <= 18 лет
- 'безработные' при значении age от 19 до 64 лет включительно и значении unemployed = 1
- 'занятые' при значении age от 19 до 64 лет включительно и значении unemployed = 0
- 'пенсионеры' во всех остальных случаях
"""
    age = row['age']
    unemployed = row['unemployed']

    if age <= 18:
        return 'дети'

    if age <= 64:
        if unemployed == 1:
            return 'безработные'

        return 'занятые'

    return 'пенсионеры'

clients['age_group'] = clients.apply(age_group_unemployed, axis=1)
print(clients.head(10))

	id	first_name	last_name	age	unemployed	age_group
0	1	Alikee	O'Mullally	24	1	безработные
1	2	Rosella	Winnard	29	0	занятые
2	3	Peri	Talmadge	37	0	занятые
3	4	Brose	Attwooll	21	1	безработные
4	5	Rycca	Caunter	29	0	занятые
5	6	Jennine	Gamage	27	0	занятые
6	7	Archibold	Wife	72	1	пенсионеры
7	8	Karalynn	Busk	23	0	занятые
8	9	Kari	Canlin	29	0	занятые
9	10	Asia	Cudde	28	0	занятые

 

Функция работает корректно. Применим метод value_counts() для подсчёта значений каждой категории.

print(clients['age_group'].value_counts())

занятые        108
безработные     37
дети            22
пенсионеры       7
Name: age_group, dtype: int64

 

Научившись прописывать функции для одной строки и поделив взрослых на безработных и занятых, вы подготовили более точный отчёт для руководителя.

 

 

Прочитайте файл с отзывами, размещённый по адресу: /datasets/support_log_grouped.csv Результат выведите на экран.

import pandas as pd
#напишите ваш код здесь
support_log_grouped = pd.read_csv('/datasets/support_log_grouped.csv')
print (support_log_grouped)

Результат
   type_id  user_id  timestamp alert_group  importance
0        1      311        311     высокий           1
1        2      302        302     высокий           0
2        3      606        606   критичный           0
3        4      312        312     высокий           1
4        5      586        586   критичный           1
5        6      303        303     высокий           1
6        7      283        283     средний           1
7        8      297        297     средний           0

Лайфхак: делайте срочное и важное. А несрочное и неважное не делайте.

 

Напишите функцию alert_group_importance(row), работающую в соответствии со следующей логикой:

• Если приоритет 'alert_group' средний, а важность 'importance' оценена в единицу, возвращать команду для отдела поддержки: 'обратить внимание';
• Если приоритет высокий, а важность — единица, возвращать: 'высокий риск';
• Если приоритет критичный, а важность — единица, возвращать: 'блокер';

Во всех остальных случаях выводить: 'в порядке очереди'.

Проверьте работоспособность функции для разных значений. Чтобы тренажёр принял решение, оставьте в переменной row_values значение ['высокий', 1].

Не забудьте передать строке датафрейма названия столбцов.

import pandas as pd
support_log_grouped = pd.read_csv('/datasets/support_log_grouped.csv')

def alert_group_importance(row):
    # реализуйте логику функции
    if row['alert_group'] == 'средний' and row['importance'] == 1:
        return 'обратить внимание'
    elif row['alert_group'] == 'высокий' and row['importance'] == 1:
        return 'высокий риск'
    elif row['alert_group'] == 'критичный' and row['importance'] == 1:
        return 'блокер'
    return 'в порядке очереди'
    
row_values = ['высокий', 1]
row_columns = ['alert_group', 'importance']
row = pd.Series(data=row_values, index=row_columns)
print(alert_group_importance(row))

высокий риск

Да вы ещё и тестировщик или тестировщица!

import pandas as pd
support_log_grouped = pd.read_csv('/datasets/support_log_grouped.csv')

def alert_group_importance(row):
    # реализуйте логику функции
    if row['alert_group'] == 'средний' and row['importance'] == 1:
        return 'обратить внимание'
    elif row['alert_group'] == 'высокий' and row['importance'] == 1:
        return 'высокий риск'
    elif row['alert_group'] == 'критичный' and row['importance'] == 1:
        return 'блокер'
    return 'в порядке очереди'
    
row_values = ['высокий', 1]
row_columns = ['alert_group', 'importance']
row = pd.Series(data=row_values, index=row_columns)
#print(alert_group_importance(row))
support_log_grouped['importance_status'] = support_log_grouped.apply(alert_group_importance, axis=1)
print(support_log_grouped)

Результат
   type_id  user_id  timestamp alert_group  importance  importance_status
0        1      311        311     высокий           1       высокий риск
1        2      302        302     высокий           0  в порядке очереди
2        3      606        606   критичный           0  в порядке очереди
3        4      312        312     высокий           1       высокий риск
4        5      586        586   критичный           1             блокер
5        6      303        303     высокий           1       высокий риск
6        7      283        283     средний           1  обратить внимание
7        8      297        297     средний           0  в порядке очереди

Благодаря вашим усилиям, агент поддержки больше не будет задаваться вопросами приоритизации и сможет сконцентрироваться на решении проблем.

 

Посчитайте, сколько раз встречается каждый из статусов в столбце importance_status. Закомментируйте вывод предыдущей задачи и напечатайте результат подсчётов на экране.

import pandas as pd
support_log_grouped = pd.read_csv('/datasets/support_log_grouped.csv')

def alert_group_importance(row):
    # реализуйте логику функции
    if row['alert_group'] == 'средний' and row['importance'] == 1:
        return 'обратить внимание'
    elif row['alert_group'] == 'высокий' and row['importance'] == 1:
        return 'высокий риск'
    elif row['alert_group'] == 'критичный' and row['importance'] == 1:
        return 'блокер'
    return 'в порядке очереди'
    
row_values = ['высокий', 1]
row_columns = ['alert_group', 'importance']
row = pd.Series(data=row_values, index=row_columns)
#print(alert_group_importance(row))
support_log_grouped['importance_status'] = support_log_grouped.apply(alert_group_importance, axis=1)
#print(support_log_grouped)
print (support_log_grouped['importance_status'].value_counts())

Результат
высокий риск         3
в порядке очереди    3
блокер               1
обратить внимание    1
Name: importance_status, dtype: int64

Признание проблемы — половина успеха в её разрешении. А вы не просто признали, ещё классифицировали, посчитали и в список аккуратно положили. Это уже 90% успеха. Осталась самая малость — решить проблему.