Qini Curve

import pandas as pd
import numpy as np
from sklearn.metrics import auc
import matplotlib.pyplot as plt

# генерация данных для 100 пользователей
np.random.seed(42)
n = 100
treatment = np.array([1]*50 + [0]*50)
outcome = np.concatenate([np.random.choice([1, 0], p=[0.2, 0.8], size=50),
                          np.random.choice([1, 0], p=[0.1, 0.9], size=50)])
uplift_prediction = np.random.rand(n)

# создание DataFrame
data = {
    'user_id': range(1, n+1),
    'treatment': treatment,
    'outcome': outcome,
    'uplift_prediction': uplift_prediction
}

df = pd.DataFrame(data)

# сортировка данных по uplift_prediction
df = df.sort_values(by='uplift_prediction', ascending=False).reset_index(drop=True)

# инициализация переменных
nt = 0  # количество пользователей в группе лечения
nt_1 = 0  # количество успешных исходов в группе лечения
nc = 0  # количество пользователей в контрольной группе
nc_1 = 0  # количество успешных исходов в контрольной группе
cgain = []  # кумулятивный прирост
random_curve = []  # случайная кривая
optimum_curve = []  # оптимальная кривая

# Расчет общего количества успешных исходов
total_outcome = df['outcome'].sum()
# Расчёт конверсий
conversion_treatment_total = df[(df['treatment']==1)].shape[0] / df[(df['treatment']==1) & (df['outcome']==1)].shape[0]
conversion_control_total = df[(df['treatment']==0)].shape[0] / df[(df['treatment']==0) & (df['outcome']==0)].shape[0]

# Расчет CGain, Random и Optimum
for i, row in df.iterrows():
    if row['treatment'] == 1:  # если пользователь в группе воздействия
        nt += 1
        if row['outcome'] == 1:
            nt_1 += 1
    else:  # если пользователь в контрольной группе
        nc += 1
        if row['outcome'] == 0:
            nc_1 += 1

    # Корректный расчет CGain (кумулятивный прирост)
    conversion_treatment = nt / df[(df['treatment']==1) & (df['outcome']==1)].shape[0]
    conversion_control = nc / df[(df['treatment']==0) & (df['outcome']==0)].shape[0]
    cgain.append(conversion_treatment - conversion_control)  # Разница между конверсией в treatment и control

    # Расчет случайной кривой
    random_curve.append(total_outcome * (i + 1) / len(df))

    # Расчет оптимальной кривой
    optimum_curve.append(min(total_outcome, (i + 1)))

# Нормализация кривых
cgain = [val / (conversion_treatment_total - conversion_control_total) for val in cgain] # Нормализуем CGain
max_incremental_purchases = total_outcome if total_outcome > 0 else 1  # Защита от деления на ноль
random_curve = [val / max_incremental_purchases for val in random_curve]
optimum_curve = [val / max_incremental_purchases for val in optimum_curve]

# расчёт площади под кривыми
qini_auc = auc(range(1, len(cgain) + 1), cgain)
random_auc = auc(range(1, len(random) + 1), random)

# расчёт Qini Score
qini_score = qini_auc - random_auc

# вывод Qini Score
print(f'Qini Score: {qini_score}')

# построение графиков
plt.figure(figsize=(10, 6))
plt.plot(range(1, len(cgain) + 1), cgain, label='Model', color='blue')
plt.plot(range(1, len(random_curve) + 1), random_curve, label='Random', color='red', linestyle='--')
plt.plot(range(1, len(optimum_curve) + 1), optimum_curve, label='Optimum', color='green', linestyle='--')
plt.xlabel('Number of users targeted')
plt.ylabel('Number of Incremental Purchases')
plt.title('Gains Chart for Uplift (Qini Curve) with Random')
plt.legend()
plt.grid(True)
plt.show()