{"id":466259,"date":"2025-07-07T15:16:09","date_gmt":"2025-07-07T15:16:09","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=466259"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=466259","title":{"rendered":"<span>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u043d\u044b\u0435 A\/B-\u0442\u0435\u0441\u0442\u044b: \u043a\u0430\u043a \u043f\u043e\u0431\u0435\u0434\u0438\u0442\u044c \u044d\u0444\u0444\u0435\u043a\u0442 \u0441\u043e\u0441\u0435\u0434\u0430<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p><em>\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! <\/em><\/p>\n<p>\u0421\u0435\u0433\u043e\u0434\u043d\u044f \u043c\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043a\u0430\u043a \u0441\u043f\u0430\u0441\u0430\u0442\u044c\u0441\u044f \u043e\u0442 \u00ab\u044d\u0444\u0444\u0435\u043a\u0442\u0430 \u0441\u043e\u0441\u0435\u0434\u0430\u00bb, \u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0438\u0440\u0443\u044f \u043d\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0430 \u0438\u0445 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0432 A\/B \u0442\u0435\u0441\u0442\u0430\u0445. <\/p>\n<p>\u0423 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e AB-\u0442\u0435\u0441\u0442\u0430 \u0435\u0441\u0442\u044c \u0430\u043a\u0441\u0438\u043e\u043c\u0430 SUTVA: \u043c\u043e\u043b, \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u044e\u0437\u0435\u0440\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0442 \u0435\u0433\u043e \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0439 \u0432\u0435\u0442\u043a\u0438 \u00abtreatment \/ control\u00bb. \u0420\u0435\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0443\u043b\u044b\u0431\u0430\u0435\u0442\u0441\u044f \u0438 \u043a\u0438\u0434\u0430\u0435\u0442 \u0432 \u043b\u0438\u0446\u043e \u0441\u043e\u0446\u0441\u0435\u0442\u044c\u044e, \u0433\u0434\u0435 \u043b\u0430\u0439\u043a \u0434\u0440\u0443\u0433\u0430 \u043f\u043e\u0434\u043d\u0438\u043c\u0430\u0435\u0442 \u0438 \u0442\u0432\u043e\u044e \u0432\u043e\u0432\u043b\u0435\u0447\u0451\u043d\u043d\u043e\u0441\u0442\u044c, \u043a\u0443\u0440\u044c\u0435\u0440\u043e\u043c, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043e\u0431\u0433\u043e\u043d\u044f\u0435\u0442 \u043a\u043e\u043b\u043b\u0435\u0433 \u0438 \u0437\u0430\u0440\u0430\u0436\u0430\u0435\u0442 \u0438\u0445 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e, \u0438 c\u043f\u0430\u0441\u0438\u0431\u043a\u0430\u043c\u0438 \u00ab\u043f\u0440\u0438\u0432\u0435\u0434\u0438 \u0434\u0440\u0443\u0433\u0430 \u2014 \u043f\u043e\u043b\u0443\u0447\u0438 \u0431\u043e\u043d\u0443\u0441\u00bb. \u0418\u0442\u043e\u0433 \u2014 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435 \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b.<\/p>\n<p>\u0412\u043d\u0443\u0442\u0440\u0438\u043a\u0430\u043c\u0435\u0440\u043d\u044b\u0439 \u0436\u0430\u0440\u0433\u043e\u043d \u044d\u0442\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442 <strong>network interference<\/strong>. \u0427\u0435\u043c \u043f\u043b\u043e\u0442\u043d\u0435\u0435 \u0433\u0440\u0430\u0444 \u0441\u0432\u044f\u0437\u0435\u0439, \u0442\u0435\u043c \u0441\u0438\u043b\u044c\u043d\u0435\u0435 \u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u00ab\u043f\u0440\u043e\u0441\u0430\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f\u00bb \u0437\u0430 \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u044c\u043d\u044b\u0435 \u0433\u0440\u0430\u043d\u0438\u0446\u044b. <\/p>\n<h3>\u0424\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u043c \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u0441\u043e\u0441\u0435\u0434 \u043d\u0435 \u0438\u0441\u043f\u043e\u0440\u0442\u0438\u043b \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442<\/h3>\n<h4>\u0413\u0440\u0430\u0444\u043e\u0432\u044b\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u0435\u0441\u0442\u044c <strong>\u0433\u0440\u0430\u0444 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0439<\/strong>, \u0432\u0430\u043c \u043a\u0440\u0443\u043f\u043d\u043e \u043f\u043e\u0432\u0435\u0437\u043b\u043e. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u0443 \u0432\u0430\u0441 \u0435\u0441\u0442\u044c \u043a\u0430\u0440\u0442\u0430 \u0432\u043b\u0438\u044f\u043d\u0438\u044f. \u0422\u0438\u043f\u0438\u0447\u043d\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u0440\u044b:<\/p>\n<ul>\n<li>\n<p>\u0434\u0440\u0443\u0437\u044c\u044f \u0432 \u0441\u043e\u0446\u0441\u0435\u0442\u0438<\/p>\n<\/li>\n<li>\n<p>\u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0437\u0430\u043a\u0430\u0437\u044b \u043e\u0434\u043d\u043e\u0433\u043e \u043a\u0443\u0440\u044c\u0435\u0440\u0430<\/p>\n<\/li>\n<li>\n<p>\u043b\u0430\u0439\u043a\u0438\/\u0440\u0435\u043f\u043e\u0441\u0442\u044b\/\u043f\u0435\u0440\u0435\u043f\u0438\u0441\u043a\u0438 \u043c\u0435\u0436\u0434\u0443 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f\u043c\u0438<\/p>\n<\/li>\n<li>\n<p>\u043b\u044e\u0431\u044b\u0435 \u201c\u0437\u0430\u0440\u0430\u0436\u0430\u0435\u043c\u044b\u0435\u201d \u0441\u043e\u0431\u044b\u0442\u0438\u044f<\/p>\n<\/li>\n<\/ul>\n<h4>Louvain \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f<\/h4>\n<p>Louvain \u2014 \u0431\u044b\u0441\u0442\u0440\u044b\u0439 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0441\u043e\u043e\u0431\u0449\u0435\u0441\u0442\u0432. \u041e\u043d \u0438\u0442\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u044f modularity (\u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u043b\u043e\u0442\u043d\u0430 \u0441\u0432\u044f\u0437\u044c \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430 \u043f\u043e \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044e \u0441 \u0432\u043d\u0435 \u0435\u0433\u043e), \u0438 \u0441\u0430\u043c \u043f\u043e\u0434\u0431\u0438\u0440\u0430\u0435\u0442 \u0447\u0438\u0441\u043b\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432.<\/p>\n<p>\u041f\u0440\u0438\u043c\u0435\u0440 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d\u0430:<\/p>\n<pre><code class=\"python\">import networkx as nx import pandas as pd import numpy as np import community  # python-louvain from collections import defaultdict  # 1. \u0421\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u0433\u0440\u0430\u0444 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044f \u043c\u0435\u0436\u0434\u0443 \u044e\u0437\u0435\u0440\u0430\u043c\u0438) G = nx.read_edgelist(\"edges.csv\", delimiter=\",\", nodetype=int)  # 2. Louvain-\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f partition = community.best_partition(G, resolution=1.0)  # 3. \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u043c \u0432 DataFrame df = pd.DataFrame({     \"user\": list(partition.keys()),     \"cluster\": list(partition.values()) })  # 4. \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c treatment \u043f\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0443 clusters = df[\"cluster\"].unique() np.random.seed(42) treat_map = dict(zip(clusters, np.random.binomial(1, 0.5, size=len(clusters)))) df[\"treatment\"] = df[\"cluster\"].map(treat_map)<\/code><\/pre>\n<p><code><strong>resolution=1.0<\/strong><\/code> \u2014 \u043a\u0440\u0443\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435, \u0447\u0442\u043e\u0431\u044b \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0440\u0435\u0434\u043d\u0438\u0439 \u0440\u0430\u0437\u043c\u0435\u0440\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430. \u0411\u043e\u043b\u044c\u0448\u0435 \u2014 \u0431\u043e\u043b\u0435\u0435 \u043c\u0435\u043b\u043a\u0438\u0435 \u0433\u0440\u0443\u043f\u043f\u044b.<\/p>\n<p>\u041f\u0440\u043e\u0432\u0435\u0440\u044f\u0439\u0442\u0435 \u0438\u0442\u043e\u0433\u043e\u0432\u0443\u044e \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e \u043f\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430\u043c (\u0440\u0430\u0437\u043c\u0435\u0440, \u0441\u0440\u0435\u0434\u043d\u0438\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a). \u0418\u043d\u043e\u0433\u0434\u0430 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442 \u0441\u0443\u043f\u0435\u0440-\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0438\u0437 80% \u0433\u0440\u0430\u0444\u0430. \u042d\u0442\u043e \u043d\u0435 \u043e\u0447\u0435\u043d\u044c.<\/p>\n<pre><code class=\"python\">df.groupby(\"cluster\").size().describe()<\/code><\/pre>\n<h4>Leiden: \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u0435\u0435, \u043d\u043e \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435<\/h4>\n<p>\u0415\u0441\u043b\u0438 Louvain \u0432\u0430\u0441 \u043d\u0435 \u0443\u0441\u0442\u0440\u0430\u0438\u0432\u0430\u0435\u0442 (\u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043d\u0435\u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u044b\u043c, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043d\u0430 \u0444\u0440\u0430\u0433\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0433\u0440\u0430\u0444\u0430\u0445), \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u044b\u0433\u043d\u0443\u0442\u044c \u0432 <strong>Leiden<\/strong>. \u041e\u043d \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u0442 \u043f\u043b\u044e\u0441\u044b Louvain, \u043d\u043e \u0434\u0430\u0451\u0442 <strong>\u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0438 \u0441\u0432\u044f\u0437\u043d\u043e\u0441\u0442\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/strong> \u0438 \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0433\u0440\u0430\u0444\u0430\u0445.<\/p>\n<pre><code class=\"bash\">pip install leidenalg igraph<\/code><\/pre>\n<pre><code class=\"python\">import igraph as ig import leidenalg import pandas as pd import numpy as np  # 1. \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0440\u0435\u0431\u0440\u0430 edges = pd.read_csv(\"edges.csv\") g = ig.Graph.TupleList(edges.itertuples(index=False), directed=False)  # 2. \u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f partition = leidenalg.find_partition(g, leidenalg.ModularityVertexPartition)  # 3. \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b user_cluster_map = {} for cid, cluster in enumerate(partition):     for node in cluster:         user_cluster_map[g.vs[node][\"name\"]] = cid  df = pd.DataFrame(list(user_cluster_map.items()), columns=[\"user\", \"cluster\"])  # 4. \u0420\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f np.random.seed(42) clusters = df[\"cluster\"].unique() df[\"treatment\"] = df[\"cluster\"].map(dict(zip(clusters, np.random.randint(0, 2, size=len(clusters)))))<\/code><\/pre>\n<p>\u0412 \u043e\u0431\u043e\u0438\u0445 \u043f\u043e\u0434\u0445\u043e\u0434\u0430\u0445 \u0432\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0435 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0440\u0430\u043d\u0434\u043e\u043c \u044e\u0437\u0435\u0440\u043e\u0432, \u0430 <strong>\u0440\u0430\u043d\u0434\u043e\u043c \u201c\u043e\u0441\u0442\u0440\u043e\u0432\u043e\u0432\u201d<\/strong>, \u0433\u0434\u0435 \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0442\u0435\u0447\u0451\u0442 \u0432\u043d\u0443\u0442\u0440\u0438, \u043d\u043e \u043d\u0435 \u0441\u043d\u0430\u0440\u0443\u0436\u0438. \u0413\u0440\u0430\u0444 \u043d\u0435 \u0432\u0441\u0435\u0433\u0434\u0430 \u0433\u043e\u0442\u043e\u0432\u044b\u0439 \u2014 <strong>\u0432\u0435\u0441 \u0440\u0451\u0431\u0435\u0440<\/strong> \u043c\u043e\u0436\u043d\u043e \u0441\u043e\u0431\u0438\u0440\u0430\u0442\u044c \u043a\u0430\u043a <code>count(shared_sessions)<\/code> \u0438\u043b\u0438 <code>similarity(metrics)<\/code>.<\/p>\n<pre><code class=\"python\"># \u043f\u0440\u0438\u043c\u0438\u0442\u0438\u0432\u043d\u0430\u044f \u0430\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u0433\u0440\u0430\u0444\u0430 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0439 interactions = pd.read_csv(\"events.csv\") edges = interactions.groupby([\"user_a\", \"user_b\"]).size().reset_index(name=\"weight\") edges = edges[edges[\"weight\"] &gt; 5]  # \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u0441\u043b\u0430\u0431\u044b\u0445 \u0441\u0432\u044f\u0437\u0435\u0439<\/code><\/pre>\n<h4>Randomized Graph Cluster Randomization <\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f <strong>\u0441\u043d\u0438\u0437\u0438\u0442\u044c \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e<\/strong> (\u0438\u0431\u043e \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u0430\u044f GCR \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u0448\u0443\u043c\u043d\u043e\u0439, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043d\u0430 \u043c\u0430\u043b\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445), \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c <strong>\u043c\u0443\u043b\u044c\u0442\u0438\u0438\u0442\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u0441\u0445\u0435\u043c\u0443<\/strong>:<\/p>\n<ul>\n<li>\n<p>\u0414\u0435\u043b\u0430\u0435\u0442\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0439 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0441 \u0440\u0430\u0437\u043d\u044b\u043c\u0438 random seed)<\/p>\n<\/li>\n<li>\n<p>\u0412 \u043a\u0430\u0436\u0434\u043e\u0439 \u2014 \u0440\u0430\u0437\u043d\u044b\u0439 assignment<\/p>\n<\/li>\n<li>\n<p>\u0417\u0430\u0442\u0435\u043c \u0430\u0433\u0440\u0435\u0433\u0438\u0440\u0443\u0435\u0442\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442<\/p>\n<\/li>\n<\/ul>\n<p>\u042d\u0442\u043e \u0447\u0443\u0442\u044c \u0442\u0440\u0443\u0434\u043d\u0435\u0435, \u043d\u043e \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0440\u0430\u0441\u0442\u0430\u0435\u0442. \u0412\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">all_assignments = []  for seed in range(10):     np.random.seed(seed)     partition = community.best_partition(G)     cluster_ids = list(set(partition.values()))     treat_map = dict(zip(cluster_ids, np.random.binomial(1, 0.5, len(cluster_ids))))          temp = pd.DataFrame({         \"user\": list(partition.keys()),         \"cluster\": [partition[u] for u in partition],         \"treatment\": [treat_map[partition[u]] for u in partition]     })     all_assignments.append(temp)  # \u0410\u0433\u0440\u0435\u0433\u0438\u0440\u0443\u0435\u043c: \u043a\u0442\u043e \u0447\u0430\u0449\u0435 \u0432 treatment \u2014 \u0442\u0435\u043c \u0432\u044b\u0448\u0435 \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u044f from functools import reduce df_agg = reduce(lambda left, right: pd.merge(left, right, on=\"user\", how=\"outer\"), all_assignments) df_agg[\"treatment_mean\"] = df_agg.filter(like=\"treatment\").mean(axis=1)<\/code><\/pre>\n<h4>\u0413\u0435\u043e\u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u043a\u043e\u0433\u0434\u0430 \u0443 \u043d\u0430\u0441 \u043d\u0435\u0442 \u0433\u0440\u0430\u0444\u0430, \u043d\u043e \u0435\u0441\u0442\u044c \u043a\u0430\u0440\u0442\u0430<\/h4>\n<p>\u0423 \u0432\u0430\u0441 \u043d\u0435\u0442 \u0433\u0440\u0430\u0444\u0430, \u043d\u043e \u0432\u044b \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u0442\u0435, \u0447\u0442\u043e \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 <strong>\u0433\u0435\u043e<\/strong>, <strong>\u0433\u043e\u0440\u043e\u0434\u0430<\/strong>, <strong>\u0440\u0430\u0439\u043e\u043d\u0430<\/strong>, <strong>\u0443\u043b\u0438\u0446\u044b<\/strong>. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442: \u043f\u043e\u0440\u0430 \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u043a \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u043d\u0430 \u043a\u0430\u0440\u0442\u0435.<\/p>\n<p>\u0422\u0438\u043f\u043e\u0432\u043e\u0439 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d:<\/p>\n<ol>\n<li>\n<p>\u0411\u044c\u0451\u043c \u043a\u0430\u0440\u0442\u0443 \u043d\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <strong>S2<\/strong>, <strong>H3<\/strong>, <strong>\u043a\u0432\u0430\u0434\u0440\u0430\u0442\u044b<\/strong>)<\/p>\n<\/li>\n<li>\n<p>\u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0444\u0438\u0447\u0438 \u043f\u043e \u043a\u0430\u0436\u0434\u043e\u0439 \u044f\u0447\u0435\u0439\u043a\u0435: \u0447\u0438\u0441\u043b\u043e \u0437\u0430\u043a\u0430\u0437\u043e\u0432, \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u043f\u043b\u043e\u0442\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/li>\n<li>\n<p>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0443\u0435\u043c \u044d\u0442\u0438 \u0444\u0438\u0447\u0438<\/p>\n<\/li>\n<li>\n<p>\u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c treatment \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0438\u043b\u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u043f\u0430\u0440-\u0431\u043b\u0438\u0437\u043d\u0435\u0446\u043e\u0432<\/p>\n<\/li>\n<\/ol>\n<pre><code class=\"python\">import geopandas as gpd import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans  # \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0433\u0435\u043e-\u044f\u0447\u0435\u0439\u043a\u0438 tiles = gpd.read_file(\"s2_tiles.geojson\")  # \u0412\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u0444\u0438\u0447\u0438 features = tiles[[\"avg_orders\", \"courier_density\", \"users_count\"]].fillna(0) scaler = StandardScaler() X_scaled = scaler.fit_transform(features)  # \u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f kmeans = KMeans(n_clusters=tiles.shape[0]\/\/2, random_state=42) tiles[\"cluster\"] = kmeans.fit_predict(X_scaled)  # \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c \u043b\u0435\u0447\u0435\u043d\u0438\u0435 np.random.seed(42) tiles[\"treatment\"] = tiles[\"cluster\"].apply(lambda x: np.random.randint(2))<\/code><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u043a\u0430\u0440\u0442\u0430 \u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0439\u0442\u0435, <strong>\u043d\u0435 \u043b\u0435\u0436\u0430\u0442 \u043b\u0438 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0440\u044f\u0434\u044b\u0448\u043a\u043e\u043c<\/strong>:<\/p>\n<pre><code class=\"python\">tiles.plot(column=\"treatment\", cmap=\"bwr\", legend=True)<\/code><\/pre>\n<h3>\u041a\u0430\u043a \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u043c\u0435\u0442\u0440\u0438\u043a\u0438, \u043a\u043e\u0433\u0434\u0430 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435 \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b<\/h3>\n<h4>\u0410\u0433\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430<\/h4>\n<p>\u041f\u0435\u0440\u0432\u044b\u0439 (\u0438 \u0447\u0430\u0441\u0442\u043e \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u044b\u0439) \u0448\u0430\u0433 \u2014 \u0441\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u0432\u0441\u0451 \u0434\u043e \u043e\u0434\u043d\u043e\u0433\u043e \u0447\u0438\u0441\u043b\u0430 \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440, \u0430 \u0434\u0430\u043b\u044c\u0448\u0435 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 t-test:<\/p>\n<pre><code class=\"python\">agg = df.groupby(\"cluster\").agg(conv_rate=(\"conversion\", \"mean\"),                                 treat=(\"treat\", \"first\")) stats.ttest_ind(agg[agg.treat==1].conv_rate,                 agg[agg.treat==0].conv_rate,                 equal_var=False)<\/code><\/pre>\n<p>\u041c\u0438\u043d\u0443\u0441: \u0442\u0435\u0440\u044f\u0435\u043c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e \u0433\u0435\u0442\u0435\u0440\u043e\u0433\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u044e\u0437\u0435\u0440\u043e\u0432 \u0432\u043d\u0443\u0442\u0440\u0438.<\/p>\n<h4>Cluster-robust \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442-\u044d\u0440\u0440\u043e\u0440\u044b<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044e \u0441 \u043a\u043e\u0432\u0430\u0440\u0438\u0430\u0442\u0430\u043c\u0438, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c sandwich-\u043e\u0446\u0435\u043d\u043a\u0438:<\/p>\n<pre><code class=\"python\">import statsmodels.formula.api as smf  m = smf.ols(\"spend ~ treat + premium_user + C(device)\", data=df).fit(         cov_type=\"cluster\", cov_kwds={\"groups\": df[\"cluster\"]}) print(m.summary())<\/code><\/pre>\n<p>\u041d\u043e \u043a\u0430\u043a \u0436\u0438\u0442\u044c, \u043a\u043e\u0433\u0434\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432 \u043c\u0430\u043b\u043e (\u0447\u0430\u0441\u0442\u043e &lt;50)? \u0422\u0443\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 CRSE \u0432\u0430\u043b\u0438\u0442\u0441\u044f. \u0420\u0435\u0448\u0435\u043d\u0438\u0435 \u2014 <strong>wild cluster bootstrap<\/strong>: \u043f\u0435\u0440\u0435\u0442\u0430\u0441\u043e\u0432\u044b\u0432\u0430\u0435\u043c \u0437\u043d\u0430\u043a\u0438 \u043e\u0448\u0438\u0431\u043e\u043a \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430 \u0438 \u0441\u0442\u0440\u043e\u0438\u043c \u044d\u043c\u043f\u0438\u0440\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 t-\u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438. <\/p>\n<h4>Randomisation inference<\/h4>\n<p>\u041a\u043e\u0433\u0434\u0430 \u0434\u043e\u0432\u0435\u0440\u0438\u0435 \u043a \u0430\u0441\u0438\u043c\u043f\u0442\u043e\u0442\u0430\u043c \u0440\u0430\u0432\u043d\u043e \u043d\u0443\u043b\u044e, \u0438\u0434\u0451\u043c \u043a \u043f\u0435\u0440\u0432\u043e\u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0443 \u2014 \u0441\u0430\u043c\u043e\u043c\u0443 \u0444\u0430\u043a\u0442\u0443 \u0440\u0430\u043d\u0434\u043e\u043c\u0430. \u0413\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u043c \u0432\u0441\u0435 (\u0438\u043b\u0438 \u043c\u043d\u043e\u0433\u043e) \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043e\u043a \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043d\u044b\u0445 assignment-\u043e\u0432 \u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c \u0441\u0432\u043e\u044e \u043c\u0435\u0442\u0440\u0438\u043a\u0443 \u0441 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435\u043c \u043f\u043e\u0434 \u043d\u0443\u043b\u0451\u043c:<\/p>\n<pre><code class=\"python\">def att(cl_assign):     merged = agg.copy()     merged[\"fake\"] = merged[\"cluster\"].map(cl_assign)     return (merged.query(\"fake==1\").conv_rate.mean()           - merged.query(\"fake==0\").conv_rate.mean())  obs = att(dict(zip(agg.cluster, agg.treat))) perm_stats = [att(dict(zip(agg.cluster, np.random.permutation(agg.treat))))               for _ in range(5000)] pvalue = (np.abs(perm_stats) &gt;= abs(obs)).mean()<\/code><\/pre>\n<p>\u0421\u0430\u043c\u043e\u0435 \u043f\u0440\u0438\u044f\u0442\u043d\u043e\u0435 \u2014 \u043d\u0435 \u043d\u0443\u0436\u043d\u043e \u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0438\u043a\u0430\u043a\u0438\u0445 \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0435\u043d\u0438\u0439 \u043e \u0444\u043e\u0440\u043c\u0435 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f. <\/p>\n<h4>\u041e\u0431\u0437\u043e\u0440 \u043c\u0435\u0442\u043e\u0434\u043e\u0432 \u0438 \u0433\u0434\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c<\/h4>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0421\u0446\u0435\u043d\u0430\u0440\u0438\u0439<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0427\u0442\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u041f\u043e\u0447\u0435\u043c\u0443 \/ \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u2265100 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432, \u043c\u043d\u043e\u0433\u043e \u0444\u0438\u0447<\/p>\n<\/td>\n<td>\n<p align=\"left\">CRSE: <code>cov_type=\"cluster\"<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0411\u044b\u0441\u0442\u0440\u043e, p-value \u0431\u043b\u0438\u0437\u043a\u043e \u043a \u043f\u0440\u0430\u0432\u0434\u0435<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">20\u2013100 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/p>\n<\/td>\n<td>\n<p align=\"left\">Wild bootstrap (<code>boottest<\/code> \u0432 R \u0438\u043b\u0438 <code>WildBootstrap<\/code> \u0432 Python)<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041a\u043e\u0440\u0440\u0435\u043a\u0442\u0438\u0440\u0443\u0435\u0442 \u0437\u0430\u0432\u0430\u043b\u0435\u043d\u043d\u0443\u044e \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">&lt;20 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/p>\n<\/td>\n<td>\n<p align=\"left\">Randomisation inference<\/p>\n<\/td>\n<td>\n<p align=\"left\">P-value = \u0434\u043e\u043b\u044f \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043e\u043a, \u043a\u043e\u0434 20 \u0441\u0442\u0440\u043e\u043a<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0413\u0435\u043e-\u0442\u0435\u0441\u0442 \u0441 \u043f\u0430\u0440\u0430\u043c\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0410\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f + paired t-test<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u042d\u043a\u043e\u043d\u043e\u043c\u0438\u0442 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0413\u0440\u0430\u0444, \u0441\u0443\u043f\u0435\u0440-\u0441\u043a\u0430\u0447\u0443\u0449\u0438\u0439 \u043e\u0442\u043a\u043b\u0438\u043a<\/p>\n<\/td>\n<td>\n<p align=\"left\">HT-\u043e\u0446\u0435\u043d\u043a\u0430 \u0441 \u0432\u0435\u0441\u0430\u043c\u0438 \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u043b\u043e\u0436\u043d\u043e, \u043d\u043e \u0447\u0435\u0441\u0442\u043d\u043e \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u0442 \u0440\u0430\u0437\u043d\u044b\u0435 \u0434\u043e\u0437\u044b \u043b\u0435\u0447\u0435\u043d\u0438\u044f<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<h3>\u041a\u043e\u0433\u0434\u0430 \u043c\u0435\u0442\u043e\u0434 \u043b\u043e\u043c\u0430\u0435\u0442\u0441\u044f \u0438 \u043a\u0430\u043a \u044d\u0442\u043e \u0447\u0438\u043d\u0438\u0442\u044c<\/h3>\n<ul>\n<li>\n<p><strong>\u041c\u0430\u043b\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/strong> \u2014 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c \u043f\u0430\u0434\u0430\u0435\u0442. \u041d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0431\u0435\u0440\u0443\u0442 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 = 25, \u0438\u043d\u0430\u0447\u0435 \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u044e\u0442 \u0444\u0438\u0447\u0443 \u0434\u043e \u043d\u0430\u043a\u043e\u043f\u043b\u0435\u043d\u0438\u044f \u044e\u0437\u0435\u0440\u043e\u0432. <\/p>\n<\/li>\n<li>\n<p><strong>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u00ab\u0442\u0435\u043a\u0443\u0442\u00bb<\/strong>: \u043a\u0443\u0440\u044c\u0435\u0440 \u0443\u0448\u0451\u043b \u0432 \u0434\u0440\u0443\u0433\u043e\u0439 \u0440\u0430\u0439\u043e\u043d. \u041b\u0438\u0431\u043e \u0444\u0438\u043a\u0441\u0438\u043c \u0433\u0440\u0430\u043d\u0438\u0446\u044b \u0440\u0430\u0437 \u0432 \u0441\u0443\u0442\u043a\u0438 \u0438 \u043b\u043e\u0447\u0438\u043c assignment, \u043b\u0438\u0431\u043e \u0432\u0432\u043e\u0434\u0438\u043c buffer-\u0437\u043e\u043d\u0443 \u0431\u0435\u0437 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0430.<\/p>\n<\/li>\n<li>\n<p><strong>\u041f\u0435\u0440\u0435\u043f\u043b\u0435\u0442\u0435\u043d\u0438\u0435 \u0433\u0440\u0430\u0444\u0430<\/strong>: \u0434\u0430\u0436\u0435 \u0441 GCR \u0431\u044b\u0432\u0430\u0435\u0442 residual interference \u0447\u0435\u0440\u0435\u0437 \u00ab\u0434\u043b\u0438\u043d\u043d\u044b\u0435\u00bb \u0440\u0451\u0431\u0440\u0430. \u041f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0440\u0435\u043a\u0443\u0440\u0441\u0438\u0432\u043d\u043e\u0435 \u0434\u0440\u043e\u0431\u043b\u0435\u043d\u0438\u0435 + edge-cut-penalty. <\/p>\n<\/li>\n<li>\n<p><strong>\u0421\u043b\u043e\u0436\u043d\u043e \u043e\u0431\u044a\u044f\u0441\u043d\u0438\u0442\u044c \u0431\u0438\u0437\u043d\u0435\u0441\u0443<\/strong>: \u0433\u0435\u043e-\u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0441\u043f\u0430\u0441\u0430\u0435\u0442 \u2014 \u00ab\u044d\u0442\u043e\u0442 \u0440\u0435\u0433\u0438\u043e\u043d \u043d\u0430 \u0440\u0435\u043a\u043b\u0430\u043c\u0435, \u044d\u0442\u043e\u0442 \u0431\u0435\u0437\u00bb. Uber \u0434\u0435\u043b\u0430\u043b \u0438\u043c\u0435\u043d\u043d\u043e \u0442\u0430\u043a, \u043a\u043e\u0433\u0434\u0430 \u0432\u044b\u0432\u043e\u0434\u0438\u043b \u043d\u043e\u0432\u044b\u0435 \u0446\u0435\u043d\u044b \u0432 Eats. <\/p>\n<\/li>\n<li>\n<p><strong>\u041d\u0435\u043e\u0434\u043d\u043e\u0440\u043e\u0434\u043d\u0430\u044f \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u044f<\/strong>: \u0432\u0432\u043e\u0434\u0438\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043e\u043b\u044f \u0434\u0440\u0443\u0437\u0435\u0439 \u043d\u0430 \u043b\u0435\u0447\u0435\u043d\u0438\u0438) \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0435\u043c \u043d\u0435\u043f\u0440\u0435\u0440\u044b\u0432\u043d\u044b\u0439 \u00ab\u0434\u043e\u0437\u0430\u0436\u00bb.<\/p>\n<\/li>\n<\/ul>\n<hr\/>\n<h3>\u0418\u0442\u043e\u0433\u0438<\/h3>\n<p>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u043d\u0430\u044f \u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c, \u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u0432\u043b\u0438\u044f\u044e\u0442 \u0434\u0440\u0443\u0433 \u043d\u0430 \u0434\u0440\u0443\u0433\u0430, \u043a\u0430\u043a \u043a\u0443\u0440\u044c\u0435\u0440\u044b \u043d\u0430 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0438\u043b\u0438 \u0434\u0440\u0443\u0437\u044c\u044f \u0432 \u0441\u043e\u0446\u0441\u0435\u0442\u044f\u0445. \u0412\u0441\u0451 \u044d\u0442\u043e \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0443\u0441\u0438\u043b\u0438\u0439, \u043d\u043e \u0438 \u0431\u0435\u0440\u0435\u0436\u0451\u0442 \u0432\u0430\u0441 \u043e\u0442 \u043b\u043e\u0436\u043d\u044b\u0445 \u0438\u043d\u0441\u0430\u0439\u0442\u043e\u0432. \u0414\u0435\u043b\u0438\u0442\u0435\u0441\u044c \u0432 \u043a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u044f\u0445 \u0441\u0432\u043e\u0438\u043c\u0438 \u043a\u0435\u0439\u0441\u0430\u043c\u0438.<\/p>\n<hr\/>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0438 \u0445\u043e\u0442\u0438\u0442\u0435 \u043f\u043e\u0432\u044b\u0441\u0438\u0442\u044c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0441\u0432\u043e\u0438\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u043e\u0432, \u043f\u0440\u0438\u0433\u043b\u0430\u0448\u0430\u0435\u043c \u0432\u0430\u0441 \u043d\u0430\u00a0\u0441\u0435\u0440\u0438\u044e \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0443\u0440\u043e\u043a\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 <a href=\"https:\/\/otus.pw\/SY28\/\" rel=\"noopener noreferrer nofollow\">\u043a\u0443\u0440\u0441\u043e\u0432 \u043f\u043e\u00a0\u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0435<\/a>:<\/p>\n<ul>\n<li>\n<p>\u041d\u0430\u00a0\u0443\u0440\u043e\u043a\u0435 <a href=\"https:\/\/otus.pw\/fYDE\/\" rel=\"noopener noreferrer nofollow\">\u00abData Science\u00a0\u2014 \u044d\u0442\u043e \u043f\u0440\u043e\u0449\u0435, \u0447\u0435\u043c \u043a\u0430\u0436\u0435\u0442\u0441\u044f!\u00bb<\/a> (<em>10\u00a0\u0438\u044e\u043b\u044f, 18:00<\/em>) \u0432\u044b \u043f\u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u0435\u0441\u044c \u0441\u00a0\u043e\u0441\u043d\u043e\u0432\u0430\u043c\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0437\u043d\u0430\u043d\u0438\u044f \u0434\u043b\u044f\u00a0\u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 A\/B \u0442\u0435\u0441\u0442\u043e\u0432 \u0438 \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e.<\/p>\n<\/li>\n<li>\n<p>\u0412\u0435\u0431\u0438\u043d\u0430\u0440 <a href=\"https:\/\/otus.pw\/LOor\/\" rel=\"noopener noreferrer nofollow\">\u00abRandom Forest\u00a0\u2014 \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0430\u043d\u0441\u0430\u043c\u0431\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u00a0ML\u00bb<\/a> (<em>16\u00a0\u0438\u044e\u043b\u044f, 18:00<\/em>) \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u0442 \u0443\u0433\u043b\u0443\u0431\u0438\u0442\u044c\u0441\u044f \u0432\u00a0\u0440\u0430\u0431\u043e\u0442\u0443 \u0441\u00a0\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u044f\u043c\u0438 \u0438 \u0441\u043b\u043e\u0436\u043d\u044b\u043c\u0438 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445\u00a0\u2014 \u043d\u0430\u0432\u044b\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u0433\u043e\u0434\u044f\u0442\u0441\u044f \u043f\u0440\u0438\u00a0\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0438 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044f \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439.<\/p>\n<\/li>\n<li>\n<p>\u0410\u00a0\u0443\u0440\u043e\u043a <a href=\"https:\/\/otus.pw\/C7QF\/\" rel=\"noopener noreferrer nofollow\">\u00ab\u041a\u0430\u043a \u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043d\u0430\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445: Superset + ClickHouse\u00bb<\/a> (<em>15\u00a0\u0438\u044e\u043b\u044f, 20:00<\/em>) \u043f\u043e\u043c\u043e\u0436\u0435\u0442 \u0432\u0430\u043c \u043d\u0430\u0443\u0447\u0438\u0442\u044c\u0441\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0438\u0435 \u043e\u0431\u044a\u0451\u043c\u044b \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0438 \u0434\u0435\u043b\u0430\u0442\u044c \u0432\u044b\u0432\u043e\u0434\u044b, \u043e\u043f\u0438\u0440\u0430\u044f\u0441\u044c \u043d\u0430\u00a0\u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0432\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437.<\/p>\n<\/li>\n<\/ul>\n<p>\u041f\u0440\u0438\u0441\u043e\u0435\u0434\u0438\u043d\u044f\u0439\u0442\u0435\u0441\u044c, \u0447\u0442\u043e\u0431\u044b \u0440\u0430\u0441\u0448\u0438\u0440\u0438\u0442\u044c \u0441\u0432\u043e\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043d\u043e\u0432\u044b\u0435 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/924356\/\"> https:\/\/habr.com\/ru\/articles\/924356\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p><em>\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! <\/em><\/p>\n<p>\u0421\u0435\u0433\u043e\u0434\u043d\u044f \u043c\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043a\u0430\u043a \u0441\u043f\u0430\u0441\u0430\u0442\u044c\u0441\u044f \u043e\u0442 \u00ab\u044d\u0444\u0444\u0435\u043a\u0442\u0430 \u0441\u043e\u0441\u0435\u0434\u0430\u00bb, \u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0438\u0440\u0443\u044f \u043d\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u0430 \u0438\u0445 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0432 A\/B \u0442\u0435\u0441\u0442\u0430\u0445. <\/p>\n<p>\u0423 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e AB-\u0442\u0435\u0441\u0442\u0430 \u0435\u0441\u0442\u044c \u0430\u043a\u0441\u0438\u043e\u043c\u0430 SUTVA: \u043c\u043e\u043b, \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u044e\u0437\u0435\u0440\u0430 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0442 \u0435\u0433\u043e \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0439 \u0432\u0435\u0442\u043a\u0438 \u00abtreatment \/ control\u00bb. \u0420\u0435\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0443\u043b\u044b\u0431\u0430\u0435\u0442\u0441\u044f \u0438 \u043a\u0438\u0434\u0430\u0435\u0442 \u0432 \u043b\u0438\u0446\u043e \u0441\u043e\u0446\u0441\u0435\u0442\u044c\u044e, \u0433\u0434\u0435 \u043b\u0430\u0439\u043a \u0434\u0440\u0443\u0433\u0430 \u043f\u043e\u0434\u043d\u0438\u043c\u0430\u0435\u0442 \u0438 \u0442\u0432\u043e\u044e \u0432\u043e\u0432\u043b\u0435\u0447\u0451\u043d\u043d\u043e\u0441\u0442\u044c, \u043a\u0443\u0440\u044c\u0435\u0440\u043e\u043c, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043e\u0431\u0433\u043e\u043d\u044f\u0435\u0442 \u043a\u043e\u043b\u043b\u0435\u0433 \u0438 \u0437\u0430\u0440\u0430\u0436\u0430\u0435\u0442 \u0438\u0445 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c\u044e, \u0438 c\u043f\u0430\u0441\u0438\u0431\u043a\u0430\u043c\u0438 \u00ab\u043f\u0440\u0438\u0432\u0435\u0434\u0438 \u0434\u0440\u0443\u0433\u0430 \u2014 \u043f\u043e\u043b\u0443\u0447\u0438 \u0431\u043e\u043d\u0443\u0441\u00bb. \u0418\u0442\u043e\u0433 \u2014 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435 \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b.<\/p>\n<p>\u0412\u043d\u0443\u0442\u0440\u0438\u043a\u0430\u043c\u0435\u0440\u043d\u044b\u0439 \u0436\u0430\u0440\u0433\u043e\u043d \u044d\u0442\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442 <strong>network interference<\/strong>. \u0427\u0435\u043c \u043f\u043b\u043e\u0442\u043d\u0435\u0435 \u0433\u0440\u0430\u0444 \u0441\u0432\u044f\u0437\u0435\u0439, \u0442\u0435\u043c \u0441\u0438\u043b\u044c\u043d\u0435\u0435 \u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u00ab\u043f\u0440\u043e\u0441\u0430\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f\u00bb \u0437\u0430 \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u044c\u043d\u044b\u0435 \u0433\u0440\u0430\u043d\u0438\u0446\u044b. <\/p>\n<h3>\u0424\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u043c \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u0441\u043e\u0441\u0435\u0434 \u043d\u0435 \u0438\u0441\u043f\u043e\u0440\u0442\u0438\u043b \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442<\/h3>\n<h4>\u0413\u0440\u0430\u0444\u043e\u0432\u044b\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u0435\u0441\u0442\u044c <strong>\u0433\u0440\u0430\u0444 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0439<\/strong>, \u0432\u0430\u043c \u043a\u0440\u0443\u043f\u043d\u043e \u043f\u043e\u0432\u0435\u0437\u043b\u043e. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u0443 \u0432\u0430\u0441 \u0435\u0441\u0442\u044c \u043a\u0430\u0440\u0442\u0430 \u0432\u043b\u0438\u044f\u043d\u0438\u044f. \u0422\u0438\u043f\u0438\u0447\u043d\u044b\u0435 \u043f\u0440\u0438\u043c\u0435\u0440\u044b:<\/p>\n<ul>\n<li>\n<p>\u0434\u0440\u0443\u0437\u044c\u044f \u0432 \u0441\u043e\u0446\u0441\u0435\u0442\u0438<\/p>\n<\/li>\n<li>\n<p>\u043f\u0435\u0440\u0435\u0441\u0435\u043a\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0437\u0430\u043a\u0430\u0437\u044b \u043e\u0434\u043d\u043e\u0433\u043e \u043a\u0443\u0440\u044c\u0435\u0440\u0430<\/p>\n<\/li>\n<li>\n<p>\u043b\u0430\u0439\u043a\u0438\/\u0440\u0435\u043f\u043e\u0441\u0442\u044b\/\u043f\u0435\u0440\u0435\u043f\u0438\u0441\u043a\u0438 \u043c\u0435\u0436\u0434\u0443 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f\u043c\u0438<\/p>\n<\/li>\n<li>\n<p>\u043b\u044e\u0431\u044b\u0435 \u201c\u0437\u0430\u0440\u0430\u0436\u0430\u0435\u043c\u044b\u0435\u201d \u0441\u043e\u0431\u044b\u0442\u0438\u044f<\/p>\n<\/li>\n<\/ul>\n<h4>Louvain \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f<\/h4>\n<p>Louvain \u2014 \u0431\u044b\u0441\u0442\u0440\u044b\u0439 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0441\u043e\u043e\u0431\u0449\u0435\u0441\u0442\u0432. \u041e\u043d \u0438\u0442\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u044f modularity (\u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u043b\u043e\u0442\u043d\u0430 \u0441\u0432\u044f\u0437\u044c \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430 \u043f\u043e \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044e \u0441 \u0432\u043d\u0435 \u0435\u0433\u043e), \u0438 \u0441\u0430\u043c \u043f\u043e\u0434\u0431\u0438\u0440\u0430\u0435\u0442 \u0447\u0438\u0441\u043b\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432.<\/p>\n<p>\u041f\u0440\u0438\u043c\u0435\u0440 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d\u0430:<\/p>\n<pre><code class=\"python\">import networkx as nx import pandas as pd import numpy as np import community  # python-louvain from collections import defaultdict  # 1. \u0421\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u043c \u0433\u0440\u0430\u0444 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044f \u043c\u0435\u0436\u0434\u0443 \u044e\u0437\u0435\u0440\u0430\u043c\u0438) G = nx.read_edgelist(\"edges.csv\", delimiter=\",\", nodetype=int)  # 2. Louvain-\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f partition = community.best_partition(G, resolution=1.0)  # 3. \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u043c \u0432 DataFrame df = pd.DataFrame({     \"user\": list(partition.keys()),     \"cluster\": list(partition.values()) })  # 4. \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c treatment \u043f\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0443 clusters = df[\"cluster\"].unique() np.random.seed(42) treat_map = dict(zip(clusters, np.random.binomial(1, 0.5, size=len(clusters)))) df[\"treatment\"] = df[\"cluster\"].map(treat_map)<\/code><\/pre>\n<p><code><strong>resolution=1.0<\/strong><\/code> \u2014 \u043a\u0440\u0443\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435, \u0447\u0442\u043e\u0431\u044b \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0440\u0435\u0434\u043d\u0438\u0439 \u0440\u0430\u0437\u043c\u0435\u0440\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430. \u0411\u043e\u043b\u044c\u0448\u0435 \u2014 \u0431\u043e\u043b\u0435\u0435 \u043c\u0435\u043b\u043a\u0438\u0435 \u0433\u0440\u0443\u043f\u043f\u044b.<\/p>\n<p>\u041f\u0440\u043e\u0432\u0435\u0440\u044f\u0439\u0442\u0435 \u0438\u0442\u043e\u0433\u043e\u0432\u0443\u044e \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e \u043f\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430\u043c (\u0440\u0430\u0437\u043c\u0435\u0440, \u0441\u0440\u0435\u0434\u043d\u0438\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a). \u0418\u043d\u043e\u0433\u0434\u0430 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442 \u0441\u0443\u043f\u0435\u0440-\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0438\u0437 80% \u0433\u0440\u0430\u0444\u0430. \u042d\u0442\u043e \u043d\u0435 \u043e\u0447\u0435\u043d\u044c.<\/p>\n<pre><code class=\"python\">df.groupby(\"cluster\").size().describe()<\/code><\/pre>\n<h4>Leiden: \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u0435\u0435, \u043d\u043e \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435<\/h4>\n<p>\u0415\u0441\u043b\u0438 Louvain \u0432\u0430\u0441 \u043d\u0435 \u0443\u0441\u0442\u0440\u0430\u0438\u0432\u0430\u0435\u0442 (\u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043d\u0435\u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u044b\u043c, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043d\u0430 \u0444\u0440\u0430\u0433\u043c\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0433\u0440\u0430\u0444\u0430\u0445), \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u044b\u0433\u043d\u0443\u0442\u044c \u0432 <strong>Leiden<\/strong>. \u041e\u043d \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u0442 \u043f\u043b\u044e\u0441\u044b Louvain, \u043d\u043e \u0434\u0430\u0451\u0442 <strong>\u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0438 \u0441\u0432\u044f\u0437\u043d\u043e\u0441\u0442\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/strong> \u0438 \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0433\u0440\u0430\u0444\u0430\u0445.<\/p>\n<pre><code class=\"bash\">pip install leidenalg igraph<\/code><\/pre>\n<pre><code class=\"python\">import igraph as ig import leidenalg import pandas as pd import numpy as np  # 1. \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0440\u0435\u0431\u0440\u0430 edges = pd.read_csv(\"edges.csv\") g = ig.Graph.TupleList(edges.itertuples(index=False), directed=False)  # 2. \u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f partition = leidenalg.find_partition(g, leidenalg.ModularityVertexPartition)  # 3. \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b user_cluster_map = {} for cid, cluster in enumerate(partition):     for node in cluster:         user_cluster_map[g.vs[node][\"name\"]] = cid  df = pd.DataFrame(list(user_cluster_map.items()), columns=[\"user\", \"cluster\"])  # 4. \u0420\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f np.random.seed(42) clusters = df[\"cluster\"].unique() df[\"treatment\"] = df[\"cluster\"].map(dict(zip(clusters, np.random.randint(0, 2, size=len(clusters)))))<\/code><\/pre>\n<p>\u0412 \u043e\u0431\u043e\u0438\u0445 \u043f\u043e\u0434\u0445\u043e\u0434\u0430\u0445 \u0432\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0435 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0440\u0430\u043d\u0434\u043e\u043c \u044e\u0437\u0435\u0440\u043e\u0432, \u0430 <strong>\u0440\u0430\u043d\u0434\u043e\u043c \u201c\u043e\u0441\u0442\u0440\u043e\u0432\u043e\u0432\u201d<\/strong>, \u0433\u0434\u0435 \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0442\u0435\u0447\u0451\u0442 \u0432\u043d\u0443\u0442\u0440\u0438, \u043d\u043e \u043d\u0435 \u0441\u043d\u0430\u0440\u0443\u0436\u0438. \u0413\u0440\u0430\u0444 \u043d\u0435 \u0432\u0441\u0435\u0433\u0434\u0430 \u0433\u043e\u0442\u043e\u0432\u044b\u0439 \u2014 <strong>\u0432\u0435\u0441 \u0440\u0451\u0431\u0435\u0440<\/strong> \u043c\u043e\u0436\u043d\u043e \u0441\u043e\u0431\u0438\u0440\u0430\u0442\u044c \u043a\u0430\u043a <code>count(shared_sessions)<\/code> \u0438\u043b\u0438 <code>similarity(metrics)<\/code>.<\/p>\n<pre><code class=\"python\"># \u043f\u0440\u0438\u043c\u0438\u0442\u0438\u0432\u043d\u0430\u044f \u0430\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u0433\u0440\u0430\u0444\u0430 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0439 interactions = pd.read_csv(\"events.csv\") edges = interactions.groupby([\"user_a\", \"user_b\"]).size().reset_index(name=\"weight\") edges = edges[edges[\"weight\"] &gt; 5]  # \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u0441\u043b\u0430\u0431\u044b\u0445 \u0441\u0432\u044f\u0437\u0435\u0439<\/code><\/pre>\n<h4>Randomized Graph Cluster Randomization <\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f <strong>\u0441\u043d\u0438\u0437\u0438\u0442\u044c \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e<\/strong> (\u0438\u0431\u043e \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u0430\u044f GCR \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u0448\u0443\u043c\u043d\u043e\u0439, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043d\u0430 \u043c\u0430\u043b\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445), \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c <strong>\u043c\u0443\u043b\u044c\u0442\u0438\u0438\u0442\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u0441\u0445\u0435\u043c\u0443<\/strong>:<\/p>\n<ul>\n<li>\n<p>\u0414\u0435\u043b\u0430\u0435\u0442\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0439 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0441 \u0440\u0430\u0437\u043d\u044b\u043c\u0438 random seed)<\/p>\n<\/li>\n<li>\n<p>\u0412 \u043a\u0430\u0436\u0434\u043e\u0439 \u2014 \u0440\u0430\u0437\u043d\u044b\u0439 assignment<\/p>\n<\/li>\n<li>\n<p>\u0417\u0430\u0442\u0435\u043c \u0430\u0433\u0440\u0435\u0433\u0438\u0440\u0443\u0435\u0442\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442<\/p>\n<\/li>\n<\/ul>\n<p>\u042d\u0442\u043e \u0447\u0443\u0442\u044c \u0442\u0440\u0443\u0434\u043d\u0435\u0435, \u043d\u043e \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0440\u0430\u0441\u0442\u0430\u0435\u0442. \u0412\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">all_assignments = []  for seed in range(10):     np.random.seed(seed)     partition = community.best_partition(G)     cluster_ids = list(set(partition.values()))     treat_map = dict(zip(cluster_ids, np.random.binomial(1, 0.5, len(cluster_ids))))          temp = pd.DataFrame({         \"user\": list(partition.keys()),         \"cluster\": [partition[u] for u in partition],         \"treatment\": [treat_map[partition[u]] for u in partition]     })     all_assignments.append(temp)  # \u0410\u0433\u0440\u0435\u0433\u0438\u0440\u0443\u0435\u043c: \u043a\u0442\u043e \u0447\u0430\u0449\u0435 \u0432 treatment \u2014 \u0442\u0435\u043c \u0432\u044b\u0448\u0435 \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u044f from functools import reduce df_agg = reduce(lambda left, right: pd.merge(left, right, on=\"user\", how=\"outer\"), all_assignments) df_agg[\"treatment_mean\"] = df_agg.filter(like=\"treatment\").mean(axis=1)<\/code><\/pre>\n<h4>\u0413\u0435\u043e\u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u043a\u043e\u0433\u0434\u0430 \u0443 \u043d\u0430\u0441 \u043d\u0435\u0442 \u0433\u0440\u0430\u0444\u0430, \u043d\u043e \u0435\u0441\u0442\u044c \u043a\u0430\u0440\u0442\u0430<\/h4>\n<p>\u0423 \u0432\u0430\u0441 \u043d\u0435\u0442 \u0433\u0440\u0430\u0444\u0430, \u043d\u043e \u0432\u044b \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u0442\u0435, \u0447\u0442\u043e \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442 <strong>\u0433\u0435\u043e<\/strong>, <strong>\u0433\u043e\u0440\u043e\u0434\u0430<\/strong>, <strong>\u0440\u0430\u0439\u043e\u043d\u0430<\/strong>, <strong>\u0443\u043b\u0438\u0446\u044b<\/strong>. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442: \u043f\u043e\u0440\u0430 \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u043a \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u043d\u0430 \u043a\u0430\u0440\u0442\u0435.<\/p>\n<p>\u0422\u0438\u043f\u043e\u0432\u043e\u0439 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d:<\/p>\n<ol>\n<li>\n<p>\u0411\u044c\u0451\u043c \u043a\u0430\u0440\u0442\u0443 \u043d\u0430 \u044f\u0447\u0435\u0439\u043a\u0438 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <strong>S2<\/strong>, <strong>H3<\/strong>, <strong>\u043a\u0432\u0430\u0434\u0440\u0430\u0442\u044b<\/strong>)<\/p>\n<\/li>\n<li>\n<p>\u0421\u0447\u0438\u0442\u0430\u0435\u043c \u0444\u0438\u0447\u0438 \u043f\u043e \u043a\u0430\u0436\u0434\u043e\u0439 \u044f\u0447\u0435\u0439\u043a\u0435: \u0447\u0438\u0441\u043b\u043e \u0437\u0430\u043a\u0430\u0437\u043e\u0432, \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439, \u043f\u043b\u043e\u0442\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/li>\n<li>\n<p>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0443\u0435\u043c \u044d\u0442\u0438 \u0444\u0438\u0447\u0438<\/p>\n<\/li>\n<li>\n<p>\u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c treatment \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0438\u043b\u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u043f\u0430\u0440-\u0431\u043b\u0438\u0437\u043d\u0435\u0446\u043e\u0432<\/p>\n<\/li>\n<\/ol>\n<pre><code class=\"python\">import geopandas as gpd import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans  # \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0433\u0435\u043e-\u044f\u0447\u0435\u0439\u043a\u0438 tiles = gpd.read_file(\"s2_tiles.geojson\")  # \u0412\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c \u0444\u0438\u0447\u0438 features = tiles[[\"avg_orders\", \"courier_density\", \"users_count\"]].fillna(0) scaler = StandardScaler() X_scaled = scaler.fit_transform(features)  # \u041a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f kmeans = KMeans(n_clusters=tiles.shape[0]\/\/2, random_state=42) tiles[\"cluster\"] = kmeans.fit_predict(X_scaled)  # \u041d\u0430\u0437\u043d\u0430\u0447\u0430\u0435\u043c \u043b\u0435\u0447\u0435\u043d\u0438\u0435 np.random.seed(42) tiles[\"treatment\"] = tiles[\"cluster\"].apply(lambda x: np.random.randint(2))<\/code><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u0443 \u0432\u0430\u0441 \u043a\u0430\u0440\u0442\u0430 \u2014 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0439\u0442\u0435, <strong>\u043d\u0435 \u043b\u0435\u0436\u0430\u0442 \u043b\u0438 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u0440\u044f\u0434\u044b\u0448\u043a\u043e\u043c<\/strong>:<\/p>\n<pre><code class=\"python\">tiles.plot(column=\"treatment\", cmap=\"bwr\", legend=True)<\/code><\/pre>\n<h3>\u041a\u0430\u043a \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u043c\u0435\u0442\u0440\u0438\u043a\u0438, \u043a\u043e\u0433\u0434\u0430 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435 \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b<\/h3>\n<h4>\u0410\u0433\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430<\/h4>\n<p>\u041f\u0435\u0440\u0432\u044b\u0439 (\u0438 \u0447\u0430\u0441\u0442\u043e \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u044b\u0439) \u0448\u0430\u0433 \u2014 \u0441\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0435\u043c \u0432\u0441\u0451 \u0434\u043e \u043e\u0434\u043d\u043e\u0433\u043e \u0447\u0438\u0441\u043b\u0430 \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440, \u0430 \u0434\u0430\u043b\u044c\u0448\u0435 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 t-test:<\/p>\n<pre><code class=\"python\">agg = df.groupby(\"cluster\").agg(conv_rate=(\"conversion\", \"mean\"),                                 treat=(\"treat\", \"first\")) stats.ttest_ind(agg[agg.treat==1].conv_rate,                 agg[agg.treat==0].conv_rate,                 equal_var=False)<\/code><\/pre>\n<p>\u041c\u0438\u043d\u0443\u0441: \u0442\u0435\u0440\u044f\u0435\u043c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e \u0433\u0435\u0442\u0435\u0440\u043e\u0433\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u044e\u0437\u0435\u0440\u043e\u0432 \u0432\u043d\u0443\u0442\u0440\u0438.<\/p>\n<h4>Cluster-robust \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442-\u044d\u0440\u0440\u043e\u0440\u044b<\/h4>\n<p>\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044e \u0441 \u043a\u043e\u0432\u0430\u0440\u0438\u0430\u0442\u0430\u043c\u0438, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c sandwich-\u043e\u0446\u0435\u043d\u043a\u0438:<\/p>\n<pre><code class=\"python\">import statsmodels.formula.api as smf  m = smf.ols(\"spend ~ treat + premium_user + C(device)\", data=df).fit(         cov_type=\"cluster\", cov_kwds={\"groups\": df[\"cluster\"]}) print(m.summary())<\/code><\/pre>\n<p>\u041d\u043e \u043a\u0430\u043a \u0436\u0438\u0442\u044c, \u043a\u043e\u0433\u0434\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432 \u043c\u0430\u043b\u043e (\u0447\u0430\u0441\u0442\u043e &lt;50)? \u0422\u0443\u0442 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0439 CRSE \u0432\u0430\u043b\u0438\u0442\u0441\u044f. \u0420\u0435\u0448\u0435\u043d\u0438\u0435 \u2014 <strong>wild cluster bootstrap<\/strong>: \u043f\u0435\u0440\u0435\u0442\u0430\u0441\u043e\u0432\u044b\u0432\u0430\u0435\u043c \u0437\u043d\u0430\u043a\u0438 \u043e\u0448\u0438\u0431\u043e\u043a \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430 \u0438 \u0441\u0442\u0440\u043e\u0438\u043c \u044d\u043c\u043f\u0438\u0440\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 t-\u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438. <\/p>\n<h4>Randomisation inference<\/h4>\n<p>\u041a\u043e\u0433\u0434\u0430 \u0434\u043e\u0432\u0435\u0440\u0438\u0435 \u043a \u0430\u0441\u0438\u043c\u043f\u0442\u043e\u0442\u0430\u043c \u0440\u0430\u0432\u043d\u043e \u043d\u0443\u043b\u044e, \u0438\u0434\u0451\u043c \u043a \u043f\u0435\u0440\u0432\u043e\u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0443 \u2014 \u0441\u0430\u043c\u043e\u043c\u0443 \u0444\u0430\u043a\u0442\u0443 \u0440\u0430\u043d\u0434\u043e\u043c\u0430. \u0413\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u043c \u0432\u0441\u0435 (\u0438\u043b\u0438 \u043c\u043d\u043e\u0433\u043e) \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043e\u043a \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043d\u044b\u0445 assignment-\u043e\u0432 \u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c \u0441\u0432\u043e\u044e \u043c\u0435\u0442\u0440\u0438\u043a\u0443 \u0441 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435\u043c \u043f\u043e\u0434 \u043d\u0443\u043b\u0451\u043c:<\/p>\n<pre><code class=\"python\">def att(cl_assign):     merged = agg.copy()     merged[\"fake\"] = merged[\"cluster\"].map(cl_assign)     return (merged.query(\"fake==1\").conv_rate.mean()           - merged.query(\"fake==0\").conv_rate.mean())  obs = att(dict(zip(agg.cluster, agg.treat))) perm_stats = [att(dict(zip(agg.cluster, np.random.permutation(agg.treat))))               for _ in range(5000)] pvalue = (np.abs(perm_stats) &gt;= abs(obs)).mean()<\/code><\/pre>\n<p>\u0421\u0430\u043c\u043e\u0435 \u043f\u0440\u0438\u044f\u0442\u043d\u043e\u0435 \u2014 \u043d\u0435 \u043d\u0443\u0436\u043d\u043e \u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0438\u043a\u0430\u043a\u0438\u0445 \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0435\u043d\u0438\u0439 \u043e \u0444\u043e\u0440\u043c\u0435 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f. <\/p>\n<h4>\u041e\u0431\u0437\u043e\u0440 \u043c\u0435\u0442\u043e\u0434\u043e\u0432 \u0438 \u0433\u0434\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c<\/h4>\n<div>\n<div class=\"table\">\n<table>\n<tbody>\n<tr>\n<th>\n<p align=\"left\">\u0421\u0446\u0435\u043d\u0430\u0440\u0438\u0439<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u0427\u0442\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e<\/p>\n<\/th>\n<th>\n<p align=\"left\">\u041f\u043e\u0447\u0435\u043c\u0443 \/ \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441<\/p>\n<\/th>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u2265100 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432, \u043c\u043d\u043e\u0433\u043e \u0444\u0438\u0447<\/p>\n<\/td>\n<td>\n<p align=\"left\">CRSE: <code>cov_type=\"cluster\"<\/code><\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0411\u044b\u0441\u0442\u0440\u043e, p-value \u0431\u043b\u0438\u0437\u043a\u043e \u043a \u043f\u0440\u0430\u0432\u0434\u0435<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">20\u2013100 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/p>\n<\/td>\n<td>\n<p align=\"left\">Wild bootstrap (<code>boottest<\/code> \u0432 R \u0438\u043b\u0438 <code>WildBootstrap<\/code> \u0432 Python)<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u041a\u043e\u0440\u0440\u0435\u043a\u0442\u0438\u0440\u0443\u0435\u0442 \u0437\u0430\u0432\u0430\u043b\u0435\u043d\u043d\u0443\u044e \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u044e<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">&lt;20 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/p>\n<\/td>\n<td>\n<p align=\"left\">Randomisation inference<\/p>\n<\/td>\n<td>\n<p align=\"left\">P-value = \u0434\u043e\u043b\u044f \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043e\u043a, \u043a\u043e\u0434 20 \u0441\u0442\u0440\u043e\u043a<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0413\u0435\u043e-\u0442\u0435\u0441\u0442 \u0441 \u043f\u0430\u0440\u0430\u043c\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0410\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f + paired t-test<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u042d\u043a\u043e\u043d\u043e\u043c\u0438\u0442 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p align=\"left\">\u0413\u0440\u0430\u0444, \u0441\u0443\u043f\u0435\u0440-\u0441\u043a\u0430\u0447\u0443\u0449\u0438\u0439 \u043e\u0442\u043a\u043b\u0438\u043a<\/p>\n<\/td>\n<td>\n<p align=\"left\">HT-\u043e\u0446\u0435\u043d\u043a\u0430 \u0441 \u0432\u0435\u0441\u0430\u043c\u0438 \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/p>\n<\/td>\n<td>\n<p align=\"left\">\u0421\u043b\u043e\u0436\u043d\u043e, \u043d\u043e \u0447\u0435\u0441\u0442\u043d\u043e \u0443\u0447\u0438\u0442\u044b\u0432\u0430\u0435\u0442 \u0440\u0430\u0437\u043d\u044b\u0435 \u0434\u043e\u0437\u044b \u043b\u0435\u0447\u0435\u043d\u0438\u044f<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<h3>\u041a\u043e\u0433\u0434\u0430 \u043c\u0435\u0442\u043e\u0434 \u043b\u043e\u043c\u0430\u0435\u0442\u0441\u044f \u0438 \u043a\u0430\u043a \u044d\u0442\u043e \u0447\u0438\u043d\u0438\u0442\u044c<\/h3>\n<ul>\n<li>\n<p><strong>\u041c\u0430\u043b\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u043e\u0432<\/strong> \u2014 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u044c \u043f\u0430\u0434\u0430\u0435\u0442. \u041d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0431\u0435\u0440\u0443\u0442 \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 = 25, \u0438\u043d\u0430\u0447\u0435 \u0440\u0435\u0437\u0435\u0440\u0432\u0438\u0440\u0443\u044e\u0442 \u0444\u0438\u0447\u0443 \u0434\u043e \u043d\u0430\u043a\u043e\u043f\u043b\u0435\u043d\u0438\u044f \u044e\u0437\u0435\u0440\u043e\u0432. <\/p>\n<\/li>\n<li>\n<p><strong>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u044b \u00ab\u0442\u0435\u043a\u0443\u0442\u00bb<\/strong>: \u043a\u0443\u0440\u044c\u0435\u0440 \u0443\u0448\u0451\u043b \u0432 \u0434\u0440\u0443\u0433\u043e\u0439 \u0440\u0430\u0439\u043e\u043d. \u041b\u0438\u0431\u043e \u0444\u0438\u043a\u0441\u0438\u043c \u0433\u0440\u0430\u043d\u0438\u0446\u044b \u0440\u0430\u0437 \u0432 \u0441\u0443\u0442\u043a\u0438 \u0438 \u043b\u043e\u0447\u0438\u043c assignment, \u043b\u0438\u0431\u043e \u0432\u0432\u043e\u0434\u0438\u043c buffer-\u0437\u043e\u043d\u0443 \u0431\u0435\u0437 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u0430.<\/p>\n<\/li>\n<li>\n<p><strong>\u041f\u0435\u0440\u0435\u043f\u043b\u0435\u0442\u0435\u043d\u0438\u0435 \u0433\u0440\u0430\u0444\u0430<\/strong>: \u0434\u0430\u0436\u0435 \u0441 GCR \u0431\u044b\u0432\u0430\u0435\u0442 residual interference \u0447\u0435\u0440\u0435\u0437 \u00ab\u0434\u043b\u0438\u043d\u043d\u044b\u0435\u00bb \u0440\u0451\u0431\u0440\u0430. \u041f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0440\u0435\u043a\u0443\u0440\u0441\u0438\u0432\u043d\u043e\u0435 \u0434\u0440\u043e\u0431\u043b\u0435\u043d\u0438\u0435 + edge-cut-penalty. <\/p>\n<\/li>\n<li>\n<p><strong>\u0421\u043b\u043e\u0436\u043d\u043e \u043e\u0431\u044a\u044f\u0441\u043d\u0438\u0442\u044c \u0431\u0438\u0437\u043d\u0435\u0441\u0443<\/strong>: \u0433\u0435\u043e-\u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0441\u043f\u0430\u0441\u0430\u0435\u0442 \u2014 \u00ab\u044d\u0442\u043e\u0442 \u0440\u0435\u0433\u0438\u043e\u043d \u043d\u0430 \u0440\u0435\u043a\u043b\u0430\u043c\u0435, \u044d\u0442\u043e\u0442 \u0431\u0435\u0437\u00bb. Uber \u0434\u0435\u043b\u0430\u043b \u0438\u043c\u0435\u043d\u043d\u043e \u0442\u0430\u043a, \u043a\u043e\u0433\u0434\u0430 \u0432\u044b\u0432\u043e\u0434\u0438\u043b \u043d\u043e\u0432\u044b\u0435 \u0446\u0435\u043d\u044b \u0432 Eats. <\/p>\n<\/li>\n<li>\n<p><strong>\u041d\u0435\u043e\u0434\u043d\u043e\u0440\u043e\u0434\u043d\u0430\u044f \u044d\u043a\u0441\u043f\u043e\u0437\u0438\u0446\u0438\u044f<\/strong>: \u0432\u0432\u043e\u0434\u0438\u043c \u0432\u0437\u0432\u0435\u0448\u0435\u043d\u043d\u044b\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043e\u043b\u044f \u0434\u0440\u0443\u0437\u0435\u0439 \u043d\u0430 \u043b\u0435\u0447\u0435\u043d\u0438\u0438) \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0435\u043c \u043d\u0435\u043f\u0440\u0435\u0440\u044b\u0432\u043d\u044b\u0439 \u00ab\u0434\u043e\u0437\u0430\u0436\u00bb.<\/p>\n<\/li>\n<\/ul>\n<hr\/>\n<h3>\u0418\u0442\u043e\u0433\u0438<\/h3>\n<p>\u041a\u043b\u0430\u0441\u0442\u0435\u0440\u043d\u0430\u044f \u0440\u0430\u043d\u0434\u043e\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u2014 \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c, \u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u0432\u043b\u0438\u044f\u044e\u0442 \u0434\u0440\u0443\u0433 \u043d\u0430 \u0434\u0440\u0443\u0433\u0430, \u043a\u0430\u043a \u043a\u0443\u0440\u044c\u0435\u0440\u044b \u043d\u0430 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0438\u043b\u0438 \u0434\u0440\u0443\u0437\u044c\u044f \u0432 \u0441\u043e\u0446\u0441\u0435\u0442\u044f\u0445. \u0412\u0441\u0451 \u044d\u0442\u043e \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0443\u0441\u0438\u043b\u0438\u0439, \u043d\u043e \u0438 \u0431\u0435\u0440\u0435\u0436\u0451\u0442 \u0432\u0430\u0441 \u043e\u0442 \u043b\u043e\u0436\u043d\u044b\u0445 \u0438\u043d\u0441\u0430\u0439\u0442\u043e\u0432. \u0414\u0435\u043b\u0438\u0442\u0435\u0441\u044c \u0432 \u043a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u044f\u0445 \u0441\u0432\u043e\u0438\u043c\u0438 \u043a\u0435\u0439\u0441\u0430\u043c\u0438.<\/p>\n<hr\/>\n<p>\u0415\u0441\u043b\u0438 \u0432\u044b \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u0435 \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0438 \u0445\u043e\u0442\u0438\u0442\u0435 \u043f\u043e\u0432\u044b\u0441\u0438\u0442\u044c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0441\u0432\u043e\u0438\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u043e\u0432, \u043f\u0440\u0438\u0433\u043b\u0430\u0448\u0430\u0435\u043c \u0432\u0430\u0441 \u043d\u0430\u00a0\u0441\u0435\u0440\u0438\u044e \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u0445 \u0443\u0440\u043e\u043a\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u043e\u0439\u0434\u0443\u0442 \u0432 \u0440\u0430\u043c\u043a\u0430\u0445 <a href=\"https:\/\/otus.pw\/SY28\/\" rel=\"noopener noreferrer nofollow\">\u043a\u0443\u0440\u0441\u043e\u0432 \u043f\u043e\u00a0\u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0435<\/a>:<\/p>\n<ul>\n<li>\n<p>\u041d\u0430\u00a0\u0443\u0440\u043e\u043a\u0435 <a href=\"https:\/\/otus.pw\/fYDE\/\" rel=\"noopener noreferrer nofollow\">\u00abData Science\u00a0\u2014 \u044d\u0442\u043e \u043f\u0440\u043e\u0449\u0435, \u0447\u0435\u043c \u043a\u0430\u0436\u0435\u0442\u0441\u044f!\u00bb<\/a> (<em>10\u00a0\u0438\u044e\u043b\u044f, 18:00<\/em>) \u0432\u044b \u043f\u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u0435\u0441\u044c \u0441\u00a0\u043e\u0441\u043d\u043e\u0432\u0430\u043c\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441\u00a0\u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0437\u043d\u0430\u043d\u0438\u044f \u0434\u043b\u044f\u00a0\u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 A\/B \u0442\u0435\u0441\u0442\u043e\u0432 \u0438 \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e.<\/p>\n<\/li>\n<li>\n<p>\u0412\u0435\u0431\u0438\u043d\u0430\u0440 <a href=\"https:\/\/otus.pw\/LOor\/\" rel=\"noopener noreferrer nofollow\">\u00abRandom Forest\u00a0\u2014 \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u0430\u043d\u0441\u0430\u043c\u0431\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u00a0ML\u00bb<\/a> (<em>16\u00a0\u0438\u044e\u043b\u044f, 18:00<\/em>) \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u0442 \u0443\u0433\u043b\u0443\u0431\u0438\u0442\u044c\u0441\u044f \u0432\u00a0\u0440\u0430\u0431\u043e\u0442\u0443 \u0441\u00a0\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u044f\u043c\u0438 \u0438 \u0441\u043b\u043e\u0436\u043d\u044b\u043c\u0438 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445\u00a0\u2014 \u043d\u0430\u0432\u044b\u043a\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u0440\u0438\u0433\u043e\u0434\u044f\u0442\u0441\u044f \u043f\u0440\u0438\u00a0\u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u0438 \u0438 \u043c\u043e\u0434\u0435\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044f \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439.<\/p>\n<\/li>\n<li>\n<p>\u0410\u00a0\u0443\u0440\u043e\u043a <a href=\"https:\/\/otus.pw\/C7QF\/\" rel=\"noopener noreferrer nofollow\">\u00ab\u041a\u0430\u043a \u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044e \u043d\u0430\u00a0\u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445: Superset + ClickHouse\u00bb<\/a> (<em>15\u00a0\u0438\u044e\u043b\u044f, 20:00<\/em>) \u043f\u043e\u043c\u043e\u0436\u0435\u0442 \u0432\u0430\u043c \u043d\u0430\u0443\u0447\u0438\u0442\u044c\u0441\u044f \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u043e \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0438\u0435 \u043e\u0431\u044a\u0451\u043c\u044b \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0438 \u0434\u0435\u043b\u0430\u0442\u044c \u0432\u044b\u0432\u043e\u0434\u044b, \u043e\u043f\u0438\u0440\u0430\u044f\u0441\u044c \u043d\u0430\u00a0\u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0432\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437.<\/p>\n<\/li>\n<\/ul>\n<p>\u041f\u0440\u0438\u0441\u043e\u0435\u0434\u0438\u043d\u044f\u0439\u0442\u0435\u0441\u044c, \u0447\u0442\u043e\u0431\u044b \u0440\u0430\u0441\u0448\u0438\u0440\u0438\u0442\u044c \u0441\u0432\u043e\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043d\u043e\u0432\u044b\u0435 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430<\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-466259","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/466259","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=466259"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/466259\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=466259"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=466259"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=466259"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}