Lag предыдущей покупки юзера

Условие задачи

Дано: DataFrame `tx` с колонками `user_id`, `ts`, `amount` (отсортирован по user_id, ts). Для каждой строки посчитайте дни между текущей покупкой и предыдущей этого же юзера (NaN если первая покупка юзера). Верните DataFrame с колонкой `days_since_prev` (float, NaN или число дней). Сохраните в `result`.

Темы

shift groupby lag time-since

Подсказки

• shift(1) внутри groupby — это уже LAG(1) OVER (PARTITION BY user_id). Что выйдет, если просто tx["ts"].shift(1) без groupby?
• Разность двух datetime даёт Timedelta. Какой аксессор отдаёт «количество дней»?

Что проверяет эта задача

Задача «Lag предыдущей покупки юзера» учит обрабатывать табличные данные в pandas: фильтрация, группировка, объединение и метрики. Такие задачи дают на собеседованиях в Tinkoff и других IT-компаниях. Уровень средний — типичная боевая задача на уверенный Python.

Как подступиться к решению

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