[WIP] python model to calculate new and ancient visitors for each das…

…hboard

dbt/models/marts/properties.yml

@@ -63,3 +63,14 @@ models:
     description: >
       Table créée pour récupérer la dernière embauche (si elle existe) d'un candidat.
       Cette information est utilisée dans la table stats du C1 afin des filtrer les données des candidats par dernière date d'embauche.
+  - name: suivi_utilisateurs_tb_prive_semaine
+    description: >
+      Table créée pour permettre le suivi des visites des utilisateurs de nos tableaux de bord.
+      Permet de récupérer le nombre de visites distincte par tableau de bord et par semaine pour chaque utilisateur, et ajoute des informations sur les utilisateurs (email, type).
+  - name: suivi_visites_tb_prive_semaine
+    description: >
+      Table permettant de suivre pour chaque tb et chaque semaine la liste des utilisateurs qui se sont connecté.
+  - name: suivi_tb_prive_semaine
+    description: >
+      Ce modèle python permet de calculer les visiteurs anciens et nouveaux chaque semaine à partir de la table suivi_visites_tb_prive_semaine.
+      Il permet de calculer la rétention des utilisateurs sur les tableaux de bords privés.

dbt/models/marts/suivi_tb_prive_semaine.py

@@ -0,0 +1,68 @@
+import pandas as pd
+
+
+def add_past_and_current_users(dtf):
+    """
+    for one dataframe containing the list of weekly users for a dashboard,
+    calculates ancient and new users and add them as new column of the dataframe
+    """
+    preceding = set()
+    all_col = []
+    nb_all = []
+    new_col = []
+    nb_new = []
+    already_visited_col = []
+    nb_ancient = []
+
+    # for all row in the dtf
+    # recover all preceding lines
+    # concatenate users list
+    for ix, row in dtf.iterrows():
+        # recover visitors of this current week
+        current = set(dtf.loc[ix]["liste_utilisateurs"])
+
+        # get list of users that are new this week
+        new = current.difference(preceding)
+        new_col.append(list(new))
+        nb_new.append(len(new))
+
+        # get list of users that already visited previous weeks
+        already_visited = preceding.intersection(current)
+        already_visited_col.append(list(already_visited))
+        nb_ancient.append(len(already_visited))
+
+        # add these users to list of users that already visited
+        preceding = preceding.union(current)
+        all_col.append(list(preceding))
+        nb_all.append(len(preceding))
+
+    dtf["nouveaux"] = new_col
+    dtf["nb_nouveaux"] = nb_new
+    dtf["anciens"] = already_visited_col
+    dtf["nb_anciens"] = nb_ancient
+    dtf["tous"] = all_col
+    dtf["nb_visiteurs_cumulé"] = nb_all
+    return dtf
+
+
+def follow_visits(dtf):
+    """
+    to be applied on the table suivi_tb_prive_semaine
+    adds new and previous users by week for each dashboard
+    """
+    # recover dict of tbs follow up
+    df_dict = dict(tuple(dtf.groupby("nom_tb")))
+    # sort by week
+    df_dict = {k: v.sort_values(by="semaine") for k, v in df_dict.items()}
+    df_new_dict = {}
+    # get users follow up
+    for k, v in df_dict.items():
+        df_new_dict[k] = add_past_and_current_users(v)
+    return pd.concat(df_new_dict.values())
+
+
+def model(dbt, session):
+    # dbt.config(materialized="table")
+    df = dbt.ref("suivi_visites_tb_prive_semaine")
+    df = follow_visits(df)
+    return df