Analyzing User Flow And Conversion Rates - Assignment Solution

In this assignment the analysis delves into the site flow from the homepage to the confirmation page, focusing on user abandonment points and conversion rates. By examining mobile and desktop performance, conversion probabilities for each page, and potential improvements, we aim to uncover actionable insights to enhance overall user experience and conversion rates. Site flow - Homepage -> Search Page -> product selection takes you to payment page -> confirmation page

1. Where and when our users abandoned the website?
2. What is the conversion Rate from Mobile and Desktop? What’s the Conversion probability for each page? Conversion Rate by page by device.
3. What can help improve conversion rates?
4. Any additional insights to draw from data about new users?

Free Assignment Solution - Analyzing User Flow And Conversion Rates 

{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "jfWKU-akOcxn"
      },
      "source": [
        "## Funnel Analysis Project"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "gUBZIbCYOcxp"
      },
      "source": [
        "### Import Libraries and Load datasets"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 1,
      "metadata": {
        "id": "6Oogq3U5Ocxo"
      },
      "outputs": [],
      "source": [
        "import numpy as np\n",
        "import pandas as pd\n",
        "import seaborn as sns\n",
        "import matplotlib.pyplot as plt\n",
        "%matplotlib inline\n",
        "plt.style.use('ggplot')"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 3,
      "metadata": {
        "id": "M7rA8dITOcxp"
      },
      "outputs": [],
      "source": [
        "user = pd.read_csv('user_table.csv')\n",
        "home = pd.read_csv('home_page_table.csv')\n",
        "search = pd.read_csv('search_page_table.csv')\n",
        "payment = pd.read_csv('payment_page_table.csv')\n",
        "payment_confirm = pd.read_csv('payment_confirmation_table.csv')"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 4,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "t3q4K9rzOcxp",
        "outputId": "b1fe5e2d-e600-4661-8df9-e4ff761e8511"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id        date   device     sex\n",
              "0   450007  2015-02-28  Desktop  Female\n",
              "1   756838  2015-01-13  Desktop    Male\n",
              "2   568983  2015-04-09  Desktop    Male\n",
              "3   190794  2015-02-18  Desktop  Female\n",
              "4   537909  2015-01-15  Desktop    Male"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 4
        }
      ],
      "source": [
        "user.head()"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "home.head()"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "9NIz_-YrQaOw",
        "outputId": "8104efc5-c651-466f-ca8f-595f17eff67d"
      },
      "execution_count": 5,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id       page\n",
              "0   313593  home_page\n",
              "1   468315  home_page\n",
              "2   264005  home_page\n",
              "3   290784  home_page\n",
              "4   639104  home_page"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 5
        }
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "search.head()"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "ECPJH4yvQcxQ",
        "outputId": "3741dad3-35cb-41c2-bf68-47f3dbc6d27a"
      },
      "execution_count": 6,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id         page\n",
              "0    15866  search_page\n",
              "1   347058  search_page\n",
              "2   577020  search_page\n",
              "3   780347  search_page\n",
              "4   383739  search_page"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 6
        }
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "payment.head()"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "lvIQGzALQd5H",
        "outputId": "74f58055-f7f5-4c36-f7a2-c94db9af339c"
      },
      "execution_count": 7,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id          page\n",
              "0   253019  payment_page\n",
              "1   310478  payment_page\n",
              "2   304081  payment_page\n",
              "3   901286  payment_page\n",
              "4   195052  payment_page"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 7
        }
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 8,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "uWXfiwfHOcxp",
        "outputId": "2a7a9ab9-7f3d-4e93-f948-0d800296028a"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id                       page\n",
              "0   123100  payment_confirmation_page\n",
              "1   704999  payment_confirmation_page\n",
              "2   407188  payment_confirmation_page\n",
              "3   538348  payment_confirmation_page\n",
              "4   841681  payment_confirmation_page"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 8
        }
      ],
      "source": [
        "payment_confirm.head()"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "BCUwG0tMOcxq"
      },
      "source": [
        "## Data processing\n",
        "\n",
        "We will now be merging the datasets using pandas merge method to combine them into a single dataset. This way we can have all the information of all the users at a single place!"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 9,
      "metadata": {
        "id": "v6z9BW6uOcxq"
      },
      "outputs": [],
      "source": [
        "data = pd.merge(left=user, right=home, how='left', on='user_id')"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "data = pd.merge(left=data, right=search, how='left', on='user_id', suffixes=('_home', '_search'))"
      ],
      "metadata": {
        "id": "G4us3k_fQoXb"
      },
      "execution_count": 10,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "data = pd.merge(left=data, right=payment, how='left', on='user_id')"
      ],
      "metadata": {
        "id": "QdlGXMabQqk2"
      },
      "execution_count": 11,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "data = pd.merge(left=data, right=payment_confirm, how='left', on='user_id', suffixes=('_payment', '_confirmation'))"
      ],
      "metadata": {
        "id": "2qVMPYykQruB"
      },
      "execution_count": 12,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "data.head()"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 206
        },
        "id": "DMj--WKLQtIo",
        "outputId": "f19171de-e6f7-4d45-9446-bcf06bc2812a"
      },
      "execution_count": 13,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "   user_id        date   device     sex  page_home  page_search page_payment  \\\n",
              "0   450007  2015-02-28  Desktop  Female  home_page          NaN          NaN   \n",
              "1   756838  2015-01-13  Desktop    Male  home_page          NaN          NaN   \n",
              "2   568983  2015-04-09  Desktop    Male  home_page  search_page          NaN   \n",
              "3   190794  2015-02-18  Desktop  Female  home_page  search_page          NaN   \n",
              "4   537909  2015-01-15  Desktop    Male  home_page          NaN          NaN   \n",
              "\n",
              "  page_confirmation  \n",
              "0               NaN  \n",
              "1               NaN  \n",
              "2               NaN  \n",
              "3               NaN  \n",
              "4               NaN  "
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 13
        }
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 14,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/"
        },
        "id": "bdleTVUROcxq",
        "outputId": "14d2bc4a-aaad-44fa-e1cd-d0016b3aa431"
      },
      "outputs": [
        {
          "output_type": "stream",
          "name": "stdout",
          "text": [
            "\n",
            "Int64Index: 90400 entries, 0 to 90399\n",
            "Data columns (total 8 columns):\n",
            " #   Column             Non-Null Count  Dtype \n",
            "---  ------             --------------  ----- \n",
            " 0   user_id            90400 non-null  int64 \n",
            " 1   date               90400 non-null  object\n",
            " 2   device             90400 non-null  object\n",
            " 3   sex                90400 non-null  object\n",
            " 4   page_home          90400 non-null  object\n",
            " 5   page_search        45200 non-null  object\n",
            " 6   page_payment       6030 non-null   object\n",
            " 7   page_confirmation  452 non-null    object\n",
            "dtypes: int64(1), object(7)\n",
            "memory usage: 6.2+ MB\n"
          ]
        }
      ],
      "source": [
        "data.info()"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "This information shows that of all the users (90400), all of them reached the home page (obviously). Now, only 45200 reached search page, 6030 reached payment page and hardly 452 users reached the payment confirmation page."
      ],
      "metadata": {
        "id": "CAj8Q6hqRXzX"
      }
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "PFS5V-JkOcxr"
      },
      "source": [
        "## Data analysis"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "5j9v2-8eOcxr"
      },
      "source": [
        "So, using the above information, we will find out the visit probability for each page. This is simple. We just divide the number of users in that page by the total number of users."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 15,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 175
        },
        "id": "OFAj5Q8lOcxr",
        "outputId": "124ac000-a2ad-46db-f926-39571337f6d2"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "               index  conversion\n",
              "4          page_home    1.000000\n",
              "5        page_search    0.500000\n",
              "6       page_payment    0.066704\n",
              "7  page_confirmation    0.005000"
            ],
            "text/html": [
              "\n",
              "  

\n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 15
        }
      ],
      "source": [
        "probability = 1 - pd.DataFrame(data.isnull().sum()).rename(columns={0: 'conversion'}) / len(data)\n",
        "probability = probability.reset_index()[4:]\n",
        "probability"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "We find that the conversion ratio for home page = 1, for search page it is 45200/90400 = 0.5, for payment page it is 6030/90400 = 0.0667, and finally for the payment confirmation it is 452/90400 = 0.005 "
      ],
      "metadata": {
        "id": "08l41mggS4T4"
      }
    },
    {
      "cell_type": "code",
      "execution_count": 21,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 338
        },
        "id": "Uk3dIzv4Ocxr",
        "outputId": "375c5702-3411-42bc-a02f-13377c8d48d9"
      },
      "outputs": [
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              ""
            ],
            "image/png": 
          "metadata": {
            "needs_background": "light"
          }
        }
      ],
      "source": [
        "fig, ax = plt.subplots(figsize=(8, 5))\n",
        "sns.barplot(x='index', y='conversion', data=probability, ax=ax)\n",
        "ax.set_xlabel('Page', fontsize=12)\n",
        "ax.set_ylabel('Users Ratio', fontsize=12)\n",
        "plt.show()"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "hWDbXxctOcxr"
      },
      "source": [
        "## 2. Conversion Rate for Each Page"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 22,
      "metadata": {
        "id": "VdAA6S_wOcxs"
      },
      "outputs": [],
      "source": [
        "def conversion_rate(df):\n",
        "    \"\"\"\n",
        "    Using this function, we will calculate the \n",
        "    conversion rates for home page, search page and payments page\n",
        "    for different groups of devices (which includes desktop,\n",
        "    mobile and both)\n",
        "    \"\"\"\n",
        "    values = []\n",
        "    new = df[~df['page_home'].isnull()]\n",
        "    values.append(1 - new['page_search'].isnull().sum() / len(new))  \n",
        "    new = df[~df['page_search'].isnull()]\n",
        "    values.append(1 - new['page_payment'].isnull().sum() / len(new))    \n",
        "    new = df[~df['page_payment'].isnull()]\n",
        "    values.append(1 - new['page_confirmation'].isnull().sum() / len(new))   \n",
        "    return values"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "Z1NPaxeUOcxs"
      },
      "source": [
        "### Both Desktop and Mobile"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 23,
      "metadata": {
        "id": "wuG-cxkPOcxs"
      },
      "outputs": [],
      "source": [
        "rates = conversion_rate(data)\n",
        "names = ['home', 'search', 'payment']"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "connect = {'Page': ['home', 'search', 'payment'], \n",
        "           'Conversion Rate': rates}\n",
        "both = pd.DataFrame(connect, columns=['Page', 'Conversion Rate'])\n",
        "both"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 143
        },
        "id": "q7kIAG84VE_S",
        "outputId": "e69c6d73-503a-4a40-c105-29ee1fda35ae"
      },
      "execution_count": 24,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page  Conversion Rate\n",
              "0     home         0.500000\n",
              "1   search         0.133407\n",
              "2  payment         0.074959"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageConversion Rate0home0.5000001search0.1334072payment0.074959

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 24
        }
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 25,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 337
        },
        "id": "9lqZOnyVOcxs",
        "outputId": "f997e2c2-942b-4dd2-a7ee-b4f61d71a9b1"
      },
      "outputs": [
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              ""
            ],
            "image/png":
          "metadata": {
            "needs_background": "light"
          }
        }
      ],
      "source": [
        "fig, ax = plt.subplots(figsize=(6, 5))\n",
        "sns.barplot(x='Page', y='Conversion Rate', data=both, ax=ax)\n",
        "plt.show()"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "For both the devices, conversion rate for home is 0.5, for search page it is 0.13341 and for the payment page it is 0.075."
      ],
      "metadata": {
        "id": "SghZG___VMDG"
      }
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "WnmDxu0nOcxs"
      },
      "source": [
        "### Now we will calculate these value for Desktop and Mobile separately"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "### Desktop"
      ],
      "metadata": {
        "id": "iqKt3iLHWC2V"
      }
    },
    {
      "cell_type": "code",
      "execution_count": 26,
      "metadata": {
        "id": "rcgLzcX6Ocxs"
      },
      "outputs": [],
      "source": [
        "desk_rates = conversion_rate(data[data['device'] == 'Desktop'])\n",
        "mobile_rates = conversion_rate(data[data['device'] == 'Mobile'])"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "names = ['home', 'search', 'payment']\n",
        "connect = {'Page': ['home', 'search', 'payment'], \n",
        "           'Conversion Rate': desk_rates}\n",
        "desktop = pd.DataFrame(connect, columns=['Page', 'Conversion Rate'])\n",
        "desktop"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 143
        },
        "id": "4kYjYX9EV0hf",
        "outputId": "732a7382-3168-4c33-9988-16849efbd731"
      },
      "execution_count": 29,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page  Conversion Rate\n",
              "0     home         0.500000\n",
              "1   search         0.100000\n",
              "2  payment         0.049834"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageConversion Rate0home0.5000001search0.1000002payment0.049834

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 29
        }
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "### Mobile"
      ],
      "metadata": {
        "id": "Vmv6BDPxWEzU"
      }
    },
    {
      "cell_type": "code",
      "source": [
        "names = ['home', 'search', 'payment']\n",
        "connect = {'Page': ['home', 'search', 'payment'], \n",
        "           'Conversion Rate': mobile_rates}\n",
        "mobile = pd.DataFrame(connect, columns=['Page', 'Conversion Rate'])\n",
        "mobile"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 143
        },
        "id": "2LC0F3YOV_PT",
        "outputId": "da6bd7fc-7415-41ef-b6ab-9c65f13f8a43"
      },
      "execution_count": 30,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page  Conversion Rate\n",
              "0     home              0.5\n",
              "1   search              0.2\n",
              "2  payment              0.1"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageConversion Rate0home0.51search0.22payment0.1

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 30
        }
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "For desktop devices, conversion rate for home is 0.5, for search page it is 0.1 and for the payment page it is 0.045 whereas for mobile devices, conversion rate for home is 0.5, for search page it is 0.2 and for the payment page it is 0.1."
      ],
      "metadata": {
        "id": "td_igs76WTBi"
      }
    },
    {
      "cell_type": "code",
      "execution_count": 40,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 238
        },
        "id": "FyPOQYTBOcxt",
        "outputId": "3d8ef78a-3b1c-41be-ad0e-aef8d92553aa"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page   Device  Conversion Rate\n",
              "0     home  Desktop         0.500000\n",
              "1   search  Desktop         0.100000\n",
              "2  payment  Desktop         0.049834\n",
              "3     home   Mobile         0.500000\n",
              "4   search   Mobile         0.200000\n",
              "5  payment   Mobile         0.100000"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageDeviceConversion Rate0homeDesktop0.5000001searchDesktop0.1000002paymentDesktop0.0498343homeMobile0.5000004searchMobile0.2000005paymentMobile0.100000

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 40
        }
      ],
      "source": [
        "connect = {'Page': ['home', 'search', 'payment']*2, \n",
        "        'Device': ['Desktop']*3 + ['Mobile']*3, \n",
        "        'Conversion Rate': desk_rates + mobile_rates}\n",
        "all_dev = pd.DataFrame(connect, columns=['Page', 'Device', 'Conversion Rate'])\n",
        "all_dev"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 33,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 337
        },
        "id": "3XXtYMySOcxt",
        "outputId": "3fe3762f-7977-4305-93a4-456949a745ac"
      },
      "outputs": [
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              ""
            ],
            "image/png": 
          },
          "metadata": {
            "needs_background": "light"
          }
        }
      ],
      "source": [
        "fig, ax = plt.subplots(figsize=(6, 5))\n",
        "sns.barplot(x='Page', y='Conversion Rate', \n",
        "            data=all_dev, ax=ax, hue='Device')\n",
        "plt.show()"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "3HNuRjR6Ocxt"
      },
      "source": [
        "### Now we will calculate these value for Gender (Male and Female) separately"
      ]
    },
    {
      "cell_type": "markdown",
      "source": [
        "### Male"
      ],
      "metadata": {
        "id": "X-lPqNYwZtmH"
      }
    },
    {
      "cell_type": "code",
      "execution_count": 41,
      "metadata": {
        "id": "7Tp3BMkVOcxt"
      },
      "outputs": [],
      "source": [
        "male_rates = conversion_rate(data[data['sex'] == 'Male'])"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "names = ['home', 'search', 'payment']\n",
        "connect = {'Page': ['home', 'search', 'payment'], \n",
        "           'Conversion Rate': male_rates}\n",
        "male = pd.DataFrame(connect, columns=['Page', 'Conversion Rate'])\n",
        "male"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 143
        },
        "id": "_Xsk-zkyaNI3",
        "outputId": "9635b2f8-59e3-4f20-dd0a-db78188ee455"
      },
      "execution_count": 42,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page  Conversion Rate\n",
              "0     home         0.496944\n",
              "1   search         0.130083\n",
              "2  payment         0.072014"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageConversion Rate0home0.4969441search0.1300832payment0.072014

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 42
        }
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "female_rates = conversion_rate(data[data['sex'] == 'Female'])"
      ],
      "metadata": {
        "id": "7NDAI2oOaT48"
      },
      "execution_count": 43,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "names = ['home', 'search', 'payment']\n",
        "connect = {'Page': ['home', 'search', 'payment'], \n",
        "           'Conversion Rate': female_rates}\n",
        "female = pd.DataFrame(connect, columns=['Page', 'Conversion Rate'])\n",
        "female"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 143
        },
        "id": "qrl7SlnmaXIg",
        "outputId": "58bd4159-2d38-416f-a648-5891293be128"
      },
      "execution_count": 44,
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page  Conversion Rate\n",
              "0     home         0.503073\n",
              "1   search         0.136708\n",
              "2  payment         0.077742"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageConversion Rate0home0.5030731search0.1367082payment0.077742

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 44
        }
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 45,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 238
        },
        "id": "eJVMkysHOcxt",
        "outputId": "790cba84-e9af-4ea5-83b9-2bceb517b919"
      },
      "outputs": [
        {
          "output_type": "execute_result",
          "data": {
            "text/plain": [
              "      Page     Sex  Conversion Rate\n",
              "0     home    Male         0.496944\n",
              "1   search    Male         0.130083\n",
              "2  payment    Male         0.072014\n",
              "3     home  Female         0.503073\n",
              "4   search  Female         0.136708\n",
              "5  payment  Female         0.077742"
            ],
            "text/html": [
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "\n",
              "\n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "  \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "    \n",
              "      \n",
              "      \n",
              "      \n",
              "      \n",
              "    \n",
              "  \n",
              "

PageSexConversion Rate0homeMale0.4969441searchMale0.1300832paymentMale0.0720143homeFemale0.5030734searchFemale0.1367085paymentFemale0.077742

\n",
              "\n",
              "                    "              title=\"Convert this dataframe to an interactive table.\"\n",
              "              style=\"display:none;\">\n",
              "        \n",
              "                 "       width=\"24px\">\n",
              "    \n",
              "    \n",
              "  \n",
              "      \n",
              "      \n",
              "  \n",
              "\n",
              "      \n",
              "    \n",
              "  \n",
              "  "
            ]
          },
          "metadata": {},
          "execution_count": 45
        }
      ],
      "source": [
        "# Visualization\n",
        "connect = {'Page': ['home', 'search', 'payment']*2, \n",
        "        'Sex': ['Male']*3 + ['Female']*3, \n",
        "        'Conversion Rate': male_rates + female_rates}\n",
        "sex_conv = pd.DataFrame(connect, columns=['Page', 'Sex', 'Conversion Rate'])\n",
        "sex_conv"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 46,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 337
        },
        "id": "xcSjEE5eOcxu",
        "outputId": "623d91f3-e992-4387-86e1-037f0111dcdc"
      },
      "outputs": [
        {
          "output_type": "display_data",
          "data": {
            "text/plain": [
              ""
            ],
            "image/png":
      "cell_type": "code",
      "source": [
        ""
      ],
      "metadata": {
        "id": "x4NxVD7reZd2"
      },
      "execution_count": null,
      "outputs": []
    }
  ],
  "metadata": {
    "kernelspec": {
      "display_name": "Python 3",
      "language": "python",
      "name": "python3"
    },
    "language_info": {
      "codemirror_mode": {
        "name": "ipython",
        "version": 3
      },
      "file_extension": ".py",
      "mimetype": "text/x-python",
      "name": "python",
      "nbconvert_exporter": "python",
      "pygments_lexer": "ipython3",
      "version": "3.7.4"
    },
    "colab": {
      "name": "Python_Aleksandra.ipynb",
      "provenance": []
    }
  },
  "nbformat": 4,
  "nbformat_minor": 0
}

Get the best Analyzing User Flow And Conversion Rates assignment help and tutoring services from our experts now!

Our team of Python experts has successfully finished this sample Python assignment. The provided solutions are intended solely for research and reference. If you find the reports and code useful, our Python tutors would be happy to help.

1. For a complete solution package that includes code, reports, and screenshots, please check out our Python Assignment Sample Solution page.
2. For personalized online tutoring sessions to address any questions you have about this assignment, reach out to our Python tutors.
3. For additional insights, explore the partial solution available in the blog above.

About The Author - Taylor Morgan

Taylor Morgan is a data analyst with a specialization in e-commerce and user experience optimization. With extensive experience in analyzing site flow and conversion rates, Taylor excels in identifying user abandonment points and assessing conversion rates across devices. Their insights into improving conversion rates and understanding new user behavior are backed by a solid foundation in data-driven strategies and analytics.