Untitled

def z_test(group1, group2, alpha=0.05):
    event_list = event_funnel_by_group['event_name'].unique()
    for event in event_list:
        successes = np.array([event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group1].values[0],
                              event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group2].values[0]])
        
        trials = np.array([event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group1]\
                           .values[0] + event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group2]\
                           .values[0],
                            event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group1]\
                           .values[0] + event_funnel_by_group.loc[event_funnel_by_group['event_name'] == event, group2]\
                           .values[0]])

        # пропорция успехов в первой группе:
        p1 = successes[0] / trials[0]

        # пропорция успехов во второй группе:
        p2 = successes[1] / trials[1]

        # пропорция успехов в комбинированном датасете:
        p_combined = (successes[0] + successes[1]) / (trials[0] + trials[1])

        # разница пропорций в датасетах
        difference = p1 - p2

        # считаем статистику в ст.отклонениях стандартного нормального распределения
        z_value = difference / mth.sqrt(p_combined * (1 - p_combined) * (1/trials[0] + 1/trials[1]))

        # задаем стандартное нормальное распределение (среднее 0, ст.отклонение 1)
        distr = st.norm(0, 1)

        p_value = (1 - distr.cdf(abs(z_value))) * 2

        print(f"Событие {event}: p-value {p_value:.3f}")

        if p_value < alpha:
            print('Отвергаем нулевую гипотезу: между долями есть значимая разница')
        else:
            print('Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными')

        print()