In [1]:
import pandas as pd

Откройте файл с данными и изучите общую информацию¶

Задание 1. Откройте файл /datasets/calls.csv, сохраните датафрейм в переменную calls.

In [2]:
calls = pd.read_csv('/datasets/calls.csv')

Задание 2. Выведите первые 5 строк датафрейма calls.

In [3]:
calls.head()
Out[3]:
id call_date duration user_id
0 1000_0 2018-07-25 0.00 1000
1 1000_1 2018-08-17 0.00 1000
2 1000_2 2018-06-11 2.85 1000
3 1000_3 2018-09-21 13.80 1000
4 1000_4 2018-12-15 5.18 1000

Задание 3. Выведите основную информацию для датафрейма calls с помощью метода info().

In [4]:
calls.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 202607 entries, 0 to 202606
Data columns (total 4 columns):
 #   Column     Non-Null Count   Dtype  
---  ------     --------------   -----  
 0   id         202607 non-null  object 
 1   call_date  202607 non-null  object 
 2   duration   202607 non-null  float64
 3   user_id    202607 non-null  int64  
dtypes: float64(1), int64(1), object(2)
memory usage: 6.2+ MB

Задание 4. С помощью метода hist() выведите гистограмму для столбца с продолжительностью звонков. Подумайте о том, как распределены данные.

In [5]:
calls.hist('duration')
Out[5]:
array([[<AxesSubplot:title={'center':'duration'}>]], dtype=object)

Задание 5. Откройте файл /datasets/internet.csv, сохраните датафрейм в переменную sessions.

In [6]:
sessions = pd.read_csv('/datasets/internet.csv')

Задание 6. Выведите первые 5 строк датафрейма sessions.

In [7]:
sessions.head()
Out[7]:
Unnamed: 0 id mb_used session_date user_id
0 0 1000_0 112.95 2018-11-25 1000
1 1 1000_1 1052.81 2018-09-07 1000
2 2 1000_2 1197.26 2018-06-25 1000
3 3 1000_3 550.27 2018-08-22 1000
4 4 1000_4 302.56 2018-09-24 1000

Задание 7. Выведите основную информацию для датафрейма sessions с помощью метода info().

In [8]:
sessions.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 149396 entries, 0 to 149395
Data columns (total 5 columns):
 #   Column        Non-Null Count   Dtype  
---  ------        --------------   -----  
 0   Unnamed: 0    149396 non-null  int64  
 1   id            149396 non-null  object 
 2   mb_used       149396 non-null  float64
 3   session_date  149396 non-null  object 
 4   user_id       149396 non-null  int64  
dtypes: float64(1), int64(2), object(2)
memory usage: 5.7+ MB

Задание 8. С помощью метода hist() выведите гистограмму для столбца с количеством потраченных мегабайт.

In [9]:
sessions.hist('mb_used')
Out[9]:
array([[<AxesSubplot:title={'center':'mb_used'}>]], dtype=object)

Задание 9. Откройте файл /datasets/messages.csv, сохраните датафрейм в переменную messages.

In [10]:
messages = pd.read_csv('/datasets/messages.csv')

Задание 10. Выведите первые 5 строк датафрейма messages.

In [11]:
messages.head()
Out[11]:
id message_date user_id
0 1000_0 2018-06-27 1000
1 1000_1 2018-10-08 1000
2 1000_2 2018-08-04 1000
3 1000_3 2018-06-16 1000
4 1000_4 2018-12-05 1000

Задание 11. Выведите основную информацию для датафрейма messages с помощью метода info().

In [12]:
messages.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 123036 entries, 0 to 123035
Data columns (total 3 columns):
 #   Column        Non-Null Count   Dtype 
---  ------        --------------   ----- 
 0   id            123036 non-null  object
 1   message_date  123036 non-null  object
 2   user_id       123036 non-null  int64 
dtypes: int64(1), object(2)
memory usage: 2.8+ MB

Задание 12. Откройте файл /datasets/tariffs.csv, сохраните датафрейм в переменную tariffs.

In [13]:
tariffs = pd.read_csv('/datasets/tariffs.csv')

Задание 13. Выведите весь датафрейм tariffs.

In [14]:
tariffs
Out[14]:
messages_included mb_per_month_included minutes_included rub_monthly_fee rub_per_gb rub_per_message rub_per_minute tariff_name
0 50 15360 500 550 200 3 3 smart
1 1000 30720 3000 1950 150 1 1 ultra

Задание 14. Выведите основную информацию для датафрейма tariffs с помощью метода info().

In [15]:
tariffs.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2 entries, 0 to 1
Data columns (total 8 columns):
 #   Column                 Non-Null Count  Dtype 
---  ------                 --------------  ----- 
 0   messages_included      2 non-null      int64 
 1   mb_per_month_included  2 non-null      int64 
 2   minutes_included       2 non-null      int64 
 3   rub_monthly_fee        2 non-null      int64 
 4   rub_per_gb             2 non-null      int64 
 5   rub_per_message        2 non-null      int64 
 6   rub_per_minute         2 non-null      int64 
 7   tariff_name            2 non-null      object
dtypes: int64(7), object(1)
memory usage: 256.0+ bytes

Задание 15. Откройте файл /datasets/users.csv, сохраните датафрейм в переменную users.

In [16]:
users = pd.read_csv('/datasets/users.csv')

Задание 16. Выведите первые 5 строк датафрейма users.

In [17]:
users.head()
Out[17]:
user_id age churn_date city first_name last_name reg_date tariff
0 1000 52 NaN Краснодар Рафаил Верещагин 2018-05-25 ultra
1 1001 41 NaN Москва Иван Ежов 2018-11-01 smart
2 1002 59 NaN Стерлитамак Евгений Абрамович 2018-06-17 smart
3 1003 23 NaN Москва Белла Белякова 2018-08-17 ultra
4 1004 68 NaN Новокузнецк Татьяна Авдеенко 2018-05-14 ultra

Задание 17. Выведите основную информацию для датафрейма users с помощью метода info().

In [18]:
users.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 500 entries, 0 to 499
Data columns (total 8 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   user_id     500 non-null    int64 
 1   age         500 non-null    int64 
 2   churn_date  38 non-null     object
 3   city        500 non-null    object
 4   first_name  500 non-null    object
 5   last_name   500 non-null    object
 6   reg_date    500 non-null    object
 7   tariff      500 non-null    object
dtypes: int64(2), object(6)
memory usage: 31.4+ KB

Подготовьте данные¶

Задание 18. Приведите столбцы

  • reg_date из таблицы users
  • churn_date из таблицы users
  • call_date из таблицы calls
  • message_date из таблицы messages
  • session_date из таблицы sessions

к новому типу с помощью метода to_datetime().

In [19]:
users.reg_date = pd.to_datetime(users['reg_date'])# обработка столбца reg_date
users.churn_date = pd.to_datetime(users['churn_date'])# обработка столбца churn_date

calls.call_date = pd.to_datetime(calls['call_date'])# обработка столбца call_date

messages.message_date = pd.to_datetime(messages['message_date'])# обработка столбца message_date
sessions.session_date = pd.to_datetime(sessions['session_date'])# обработка столбца session_date

Задание 19. В данных вы найдёте звонки с нулевой продолжительностью. Это не ошибка: нулями обозначены пропущенные звонки, поэтому их не нужно удалять.

Однако в столбце duration датафрейма calls значения дробные. Округлите значения столбца duration вверх с помощью метода numpy.ceil() и приведите столбец duration к типу int.

In [20]:
import numpy as np

calls.duration = np.ceil(calls.duration).astype('int')# округление значений столбца duration с помощью np.ceil() и приведение типа к int

Задание 20. Удалите столбец Unnamed: 0 из датафрейма sessions. Столбец с таким названием возникает, когда данные сохраняют с указанием индекса (df.to_csv(..., index=column)). Он сейчас не понадобится.

In [21]:
sessions = sessions.drop('Unnamed: 0', axis=1)

Задание 21. Создайте столбец month в датафрейме calls с номером месяца из столбца call_date.

In [22]:
calls['month'] = calls.call_date.dt.month
calls.head()
Out[22]:
id call_date duration user_id month
0 1000_0 2018-07-25 0 1000 7
1 1000_1 2018-08-17 0 1000 8
2 1000_2 2018-06-11 3 1000 6
3 1000_3 2018-09-21 14 1000 9
4 1000_4 2018-12-15 6 1000 12

Задание 22. Создайте столбец month в датафрейме messages с номером месяца из столбца message_date.

In [23]:
messages['month'] = messages.message_date.dt.month

Задание 23. Создайте столбец month в датафрейме sessions с номером месяца из столбца session_date.

In [24]:
sessions['month'] = sessions.session_date.dt.month

Задание 24. Посчитайте количество сделанных звонков разговора для каждого пользователя по месяцам.

In [25]:
calls_per_month = calls.groupby(['user_id', 'month']).agg(calls=('duration', 'count'))
# подсчёт количества звонков для каждого пользователя по месяцам
In [26]:
calls_per_month.head(30)# вывод 30 первых строк на экран
Out[26]:
calls
user_id month
1000 5 22
6 43
7 47
8 52
9 58
10 57
11 43
12 46
1001 11 59
12 63
1002 6 15
7 26
8 42
9 36
10 33
11 32
12 33
1003 8 55
9 134
10 108
11 115
12 108
1004 5 9
6 31
7 22
8 19
9 26
10 29
11 19
12 21

Задание 25. Посчитайте количество израсходованных минут разговора для каждого пользователя по месяцам и сохраните в переменную minutes_per_month. Вам понадобится

  • сгруппировать датафрейм с информацией о звонках по двум столбцам — с идентификаторами пользователей и номерами месяцев;
  • после группировки выбрать столбец duration
  • затем применить метод для подсчёта суммы.

Выведите первые 30 строчек minutes_per_month.

In [27]:
minutes_per_month = calls.groupby(['user_id', 'month']).agg(minutes=('duration', 'sum'))# подсчёт израсходованных минут для каждого пользователя по месяцам
In [28]:
minutes_per_month.head(30)# вывод первых 30 строк на экран
Out[28]:
minutes
user_id month
1000 5 159
6 172
7 340
8 408
9 466
10 350
11 338
12 333
1001 11 430
12 414
1002 6 117
7 214
8 289
9 206
10 212
11 243
12 236
1003 8 380
9 961
10 855
11 824
12 802
1004 5 35
6 171
7 135
8 137
9 117
10 145
11 117
12 130

Задание 26. Посчитайте количество отправленных сообщений по месяцам для каждого пользователя и сохраните в переменную messages_per_month. Вам понадобится

  • сгруппировать датафрейм с информацией о сообщениях по двум столбцам — с идентификаторами пользователей и номерами месяцев;
  • после группировки выбрать столбец message_date;
  • затем применить метод для подсчёта количества.

Выведите первые 30 строчек messages_per_month.

In [29]:
messages_per_month = messages.groupby(['user_id', 'month']).agg(messages=('message_date', 'count'))# подсчёт количества отправленных сообщений для каждого пользователя по месяцам
In [30]:
messages_per_month.head(30)# вывод первых 30 строк на экран
Out[30]:
messages
user_id month
1000 5 22
6 60
7 75
8 81
9 57
10 73
11 58
12 70
1002 6 4
7 11
8 13
9 4
10 10
11 16
12 12
1003 8 37
9 91
10 83
11 94
12 75
1004 5 95
6 134
7 181
8 151
9 146
10 165
11 158
12 162
1005 1 7
2 38

Задание 27. Посчитайте количество потраченных мегабайт по месяцам для каждого пользователя и сохраните в переменную sessions_per_month. Вам понадобится

  • сгруппировать датафрейм с информацией о сообщениях по двум столбцам — с идентификаторами пользователей и номерами месяцев;
  • затем применить метод для подсчёта суммы: .agg({'mb_used': 'sum'})
In [31]:
sessions_per_month = sessions.groupby(['user_id', 'month']).agg({'mb_used': 'sum'})# подсчёт потраченных мегабайт для каждого пользователя по месяцам
In [32]:
sessions_per_month.head(30)# вывод первых 30 строк на экран
Out[32]:
mb_used
user_id month
1000 5 2253.49
6 23233.77
7 14003.64
8 14055.93
9 14568.91
10 14702.49
11 14756.47
12 9817.61
1001 11 18429.34
12 14036.66
1002 6 10856.82
7 17580.10
8 20319.26
9 16691.08
10 13888.25
11 18587.28
12 18113.73
1003 8 8565.21
9 12468.87
10 14768.14
11 11356.89
12 10121.53
1004 5 13403.98
6 17600.02
7 22229.58
8 28584.37
9 15109.03
10 18475.44
11 15616.02
12 18021.04

Анализ данных и подсчёт выручки¶

Объединяем все посчитанные выше значения в один датафрейм user_behavior. Для каждой пары "пользователь - месяц" будут доступны информация о тарифе, количестве звонков, сообщений и потраченных мегабайтах.

In [33]:
users['churn_date'].count() / users['churn_date'].shape[0] * 100
Out[33]:
7.6

Расторгли договор 7.6% клиентов из датасета

In [34]:
user_behavior = calls_per_month\
    .merge(messages_per_month, left_index=True, right_index=True, how='outer')\
    .merge(sessions_per_month, left_index=True, right_index=True, how='outer')\
    .merge(minutes_per_month, left_index=True, right_index=True, how='outer')\
    .reset_index()\
    .merge(users, how='left', left_on='user_id', right_on='user_id')\

user_behavior.head()
Out[34]:
user_id month calls messages mb_used minutes age churn_date city first_name last_name reg_date tariff
0 1000 5 22.0 22.0 2253.49 159.0 52 NaT Краснодар Рафаил Верещагин 2018-05-25 ultra
1 1000 6 43.0 60.0 23233.77 172.0 52 NaT Краснодар Рафаил Верещагин 2018-05-25 ultra
2 1000 7 47.0 75.0 14003.64 340.0 52 NaT Краснодар Рафаил Верещагин 2018-05-25 ultra
3 1000 8 52.0 81.0 14055.93 408.0 52 NaT Краснодар Рафаил Верещагин 2018-05-25 ultra
4 1000 9 58.0 57.0 14568.91 466.0 52 NaT Краснодар Рафаил Верещагин 2018-05-25 ultra

Проверим пропуски в таблице user_behavior после объединения:

In [35]:
user_behavior.isna().sum()
Out[35]:
user_id          0
month            0
calls           40
messages       497
mb_used         11
minutes         40
age              0
churn_date    3027
city             0
first_name       0
last_name        0
reg_date         0
tariff           0
dtype: int64

Заполним образовавшиеся пропуски в данных:

In [36]:
user_behavior['calls'] = user_behavior['calls'].fillna(0)
user_behavior['minutes'] = user_behavior['minutes'].fillna(0)
user_behavior['messages'] = user_behavior['messages'].fillna(0)
user_behavior['mb_used'] = user_behavior['mb_used'].fillna(0)

Присоединяем информацию о тарифах

In [37]:
# переименование столбца tariff_name на более простое tariff

tariffs = tariffs.rename(
    columns={
        'tariff_name': 'tariff'
    }
)
In [38]:
user_behavior = user_behavior.merge(tariffs, on='tariff')

Считаем количество минут разговора, сообщений и мегабайт, превышающих включенные в тариф

In [39]:
user_behavior['paid_minutes'] = user_behavior['minutes'] - user_behavior['minutes_included']
user_behavior['paid_messages'] = user_behavior['messages'] - user_behavior['messages_included']
user_behavior['paid_mb'] = user_behavior['mb_used'] - user_behavior['mb_per_month_included']

for col in ['paid_messages', 'paid_minutes', 'paid_mb']:
    user_behavior.loc[user_behavior[col] < 0, col] = 0

Переводим превышающие тариф мегабайты в гигабайты и сохраняем в столбец paid_gb

In [40]:
user_behavior['paid_gb'] = np.ceil(user_behavior['paid_mb'] / 1024).astype(int)

Считаем выручку за минуты разговора, сообщения и интернет

In [41]:
user_behavior['cost_minutes'] = user_behavior['paid_minutes'] * user_behavior['rub_per_minute']
user_behavior['cost_messages'] = user_behavior['paid_messages'] * user_behavior['rub_per_message']
user_behavior['cost_gb'] = user_behavior['paid_gb'] * user_behavior['rub_per_gb']

Считаем помесячную выручку с каждого пользователя, она будет храниться в столбец total_cost

In [42]:
user_behavior['total_cost'] = \
      user_behavior['rub_monthly_fee']\
    + user_behavior['cost_minutes']\
    + user_behavior['cost_messages']\
    + user_behavior['cost_gb']

Датафрейм stats_df для каждой пары "месяц-тариф" будет хранить основные характеристики

In [43]:
# сохранение статистических метрик для каждой пары месяц-тариф
# в одной таблице stats_df (среднее значение, стандартное отклонение, медиана)

stats_df = user_behavior.pivot_table(
            index=['month', 'tariff'],\
            values=['calls', 'minutes', 'messages', 'mb_used'],\
            aggfunc=['mean', 'std', 'median']\
).round(2).reset_index()

stats_df.columns=['month', 'tariff', 'calls_mean', 'sessions_mean', 'messages_mean', 'minutes_mean',
                                     'calls_std',  'sessions_std', 'messages_std', 'minutes_std', 
                                     'calls_median', 'sessions_median', 'messages_median',  'minutes_median']

stats_df.head(10)
Out[43]:
month tariff calls_mean sessions_mean messages_mean minutes_mean calls_std sessions_std messages_std minutes_std calls_median sessions_median messages_median minutes_median
0 1 smart 27.68 8513.72 18.24 203.85 20.81 6444.68 16.20 154.23 20.5 7096.18 15.0 162.5
1 1 ultra 59.44 13140.68 33.78 428.11 41.64 6865.35 30.67 269.76 51.0 14791.37 32.0 382.0
2 2 smart 40.19 11597.05 24.09 298.69 25.39 6247.35 21.75 190.82 38.5 12553.71 20.0 258.0
3 2 ultra 41.54 11775.94 21.96 297.12 40.97 10644.64 26.77 296.51 25.0 7327.12 5.5 168.0
4 3 smart 54.32 15104.16 31.86 390.05 25.54 5828.24 26.80 191.89 59.0 15670.25 23.0 409.0
5 3 ultra 67.68 17535.55 32.30 489.65 44.84 10951.79 41.62 333.74 57.0 17495.18 20.0 403.0
6 4 smart 51.31 13462.18 30.74 367.13 25.70 5698.25 24.54 186.49 52.0 14087.65 28.0 368.5
7 4 ultra 64.09 16828.13 31.56 458.02 36.27 9718.65 37.51 267.68 61.0 16645.78 17.0 453.0
8 5 smart 55.24 15805.18 33.77 387.36 25.38 5978.23 27.04 186.60 59.0 16323.94 30.0 433.0
9 5 ultra 72.51 19363.15 37.85 510.33 41.08 10046.11 40.31 289.60 75.0 18696.43 25.0 519.0

Распределение среднего количества звонков по видам тарифов и месяцам

In [44]:
import seaborn as sns

ax = sns.barplot(x='month',
            y='calls_mean',
            hue="tariff",
            data=stats_df,
            palette=['lightblue', 'blue'])

ax.set_title('Распределение количества звонков по видам тарифов и месяцам')
ax.set(xlabel='Номер месяца', ylabel='Среднее количество звонков');
In [45]:
import matplotlib.pyplot as plt

user_behavior.groupby('tariff')['calls'].plot(kind='hist', bins=35, alpha=0.5)
plt.legend(['Smart', 'Ultra'])
plt.xlabel('Количество звонков')
plt.ylabel('Количество клиентов')
plt.show()

Распределение средней продолжительности звонков по видам тарифов и месяцам

In [46]:
ax = sns.barplot(x='month',
            y='minutes_mean',
            hue="tariff",
            data=stats_df,
            palette=['lightblue', 'blue'])

ax.set_title('Распределение продолжительности звонков по видам тарифов и месяцам')
ax.set(xlabel='Номер месяца', ylabel='Средняя продолжительность звонков');
In [47]:
user_behavior[user_behavior['tariff'] =='smart']['minutes'].hist(bins=35, alpha=0.5, color='green')
user_behavior[user_behavior['tariff'] =='ultra']['minutes'].hist(bins=35, alpha=0.5, color='blue');

Средняя длительность разговоров у абонентов тарифа Ultra больше, чем у абонентов тарифа Smart. В течение года пользователи обоих тарифов увеличивают среднюю продолжительность своих разговоров. Рост средней длительности разговоров у абонентов тарифа Smart равномерный в течение года. Пользователи тарифа Ultra не проявляют подобной линейной стабильности. Стоит отметить, что феврале у абонентов обоих тарифных планов наблюдались самые низкие показатели.

Распределение среднего количества сообщений по видам тарифов и месяцам

In [48]:
ax = sns.barplot(x='month',
            y='messages_mean',
            hue="tariff",
            data=stats_df,
            palette=['lightblue', 'blue']
)

ax.set_title('Распределение количества сообщений по видам тарифов и месяцам')
ax.set(xlabel='Номер месяца', ylabel='Среднее количество сообщений');
In [49]:
user_behavior[user_behavior['tariff'] =='smart']['messages'].hist(bins=35, alpha=0.5, color='green')
user_behavior[user_behavior['tariff'] =='ultra']['messages'].hist(bins=35, alpha=0.5, color='blue');

В среднем количество сообщений пользователи тарифа Ultra отправляют больше - почти на 20 сообщений больше, чем пользователи тарифа Smart. Количество сообщений в течение года на обоих тарифак растет. Динамика по отправке сообщений схожа с тенденциями по длительности разговоров: в феврале отмечено наименьшее количество сообщений за год и пользователи тарифа Ultra также проявляют нелинейную положительную динамику.

In [50]:
ax = sns.barplot(x='month',
            y='sessions_mean',
            hue="tariff",
            data=stats_df,
            palette=['lightblue', 'blue']
)

ax.set_title('Распределение количества потраченного трафика (Мб) по видам тарифов и месяцам')
ax.set(xlabel='Номер месяца', ylabel='Среднее количество мегабайт');

Сравнение потраченных мегабайт среди пользователей тарифов Smart и Ultra

In [51]:
user_behavior[user_behavior['tariff'] =='smart']['mb_used'].hist(bins=35, alpha=0.5, color='green')
user_behavior[user_behavior['tariff'] =='ultra']['mb_used'].hist(bins=35, alpha=0.5, color='blue');

Меньше всего пользователи использовали интернет в январе, феврале и апреле. Чаще всего абоненты тарифа Smart тратят 15-17 Гб, а абоненты тарифного плана Ultra - 19-21 ГБ.

Проверка гипотез¶

Задание 28. Проверка гипотезы: средняя выручка пользователей тарифов «Ультра» и «Смарт» различаются;

H_0: Выручка (total_cost) пользователей "Ультра" = выручка (total_cost) пользователей "Смарт"`
H_a: Выручка (total_cost) пользователей "Ультра" ≠ выручка (total_cost) пользователей "Смарт"`
alpha = 0.05
In [52]:
from scipy import stats as st
In [53]:
smart = user_behavior[user_behavior['tariff']=='smart']['total_cost']
ultra = user_behavior[user_behavior['tariff']=='ultra']['total_cost']

results = st.ttest_ind(smart, ultra, equal_var=False)# results = вызов метода для проверки гипотезы

alpha = 0.05 # alpha = 0.05задайте значение уровня значимости

print('p-значение:', results.pvalue)

if results.pvalue < alpha:
    print("Отвергаем нулевую гипотезу")
else:
    print("Не получилось отвергнуть нулевую гипотезу") 

p-значение: 4.2606313931076085e-250
Отвергаем нулевую гипотезу

Задание 29. Проверка гипотезы: пользователи из Москвы приносят больше выручки, чем пользователи из других городов;

H_0: Выручка (total_cost) пользователей из Москвы = выручка (total_cost) пользователей не из Москвы`
H_1: Выручка (total_cost) пользователей из Москвы ≠ выручка (total_cost) пользователей не из Москвы`
alpha = 0.05
In [65]:
moscow = user_behavior[user_behavior['city']=='Москва']['total_cost']
others = user_behavior[user_behavior['city']!= 'Москва']['total_cost']

results = st.ttest_ind(moscow, others, equal_var=False)# results = вызов метода для проверки гипотезы

alpha = 0.05 # alpha = 0.05задайте значение уровня значимости

print('p-значение:', results.pvalue)

if results.pvalue < alpha:
    print("Отвергаем нулевую гипотезу")
else:
    print("Не получилось отвергнуть нулевую гипотезу") 

p-значение: 0.5257376663729298
Не получилось отвергнуть нулевую гипотезу