DataFrame `orders` содержит колонки customer_id, order_date (datetime), amount. Для каждого клиента посчитай: recency (дней с последнего заказа до 2024-04-01), frequency (кол-во заказов), monetary (суммарная выручка). Раздели каждую метрику на квартили (1-4, 4=лучший для F/M, 1=лучший для R). Сохрани в `result` DataFrame с колонками customer_id, recency, frequency, monetary, r_score, f_score, m_score.
rfm segmentation qcut
Задача «RFM-скоринг клиентов» учит обрабатывать табличные данные в pandas: фильтрация, группировка, объединение и метрики. Такие задачи дают на собеседованиях в Ozon и других IT-компаниях. Уровень сложный — проверяет глубину и умение собрать решение из нескольких приёмов.
Сначала разбери условие и формат входа-выхода, прикинь крайние случаи (пустой ввод, дубли, NaN). Затем выбери структуру данных и собери решение по шагам — начни с простого рабочего варианта, потом оптимизируй сложность. Код пишешь и запускаешь прямо в браузере: Python-тренажёр исполняет его через Pyodide (pandas, numpy, scipy) и проверяет результат автоматически.
В pandas один и тот же результат часто достаётся разными путями — через groupby, pivot_table, merge или векторные операции над колонками. Важно выбрать читаемый и быстрый: встроенные векторные методы почти всегда обгоняют циклы и построчный apply. На собеседовании ценят не только правильный ответ, но и то, как ты объясняешь выбор подхода, обрабатываешь пропуски (NaN) и оцениваешь, что будет на больших данных.
Разобраться в pandas системно — бесплатный курс «Pandas с нуля» и гайды по pandas.
Открыть задачу в тренажёре → ← Все Python-задачи