Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.5-pro-preview-03-25· GoogleHugging Face LMArena Human Preference 140K

Мне нужно сделать заказ товаров, у меня есть таблица Zap.xlsx c столбцами:…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with DeepSeekdeepseek-v3-0324’s answer.
  1. User

    Мне нужно сделать заказ товаров, у меня есть таблица Zap.xlsx c столбцами: "Наименование" название товара "Исп" в каком количестве наборов он встречается И таблица Paz.xlsx с столбцами: "Наименование" название товара "нач" Сколько было 1 января 2024 "при" Приход количество за год "рас" Расход количество за год "кон" Сколько в итоге осталось и сейчас на ходиться на складе По месяцам или дням информации нет. Напиши код, который сделает таблицу в которой будут товары отсортированы в приоритете покупки какие надо заказать и сколько, рассчитай сам как лучше всего сделать это с этой информацией. Помни что к примеру есть товары в наличии, но их много покупают и их тоже надо учитывать и те которых нет Товары рассчитать надо примерно на год. Так же учти что не все товары из Paz есть в Zap. При обработке должны учитываться только уникальные названия которые есть в обоих таблицах.

  2. Gemini Assistant
    import pandas as pd
    import numpy as np
    import os
    
    # --- Константы ---
    ZAP_FILE = 'Zap.xlsx'
    PAZ_FILE = 'Paz.xlsx'
    OUTPUT_FILE = 'Заказ_приоритет.xlsx'
    DAYS_IN_YEAR = 365
    
    # --- Функция для загрузки и базовой обработки данных ---
    def load_and_prepare_data(filepath, columns_rename_map):
        """Загружает Excel файл, переименовывает столбцы и удаляет пробелы в названиях."""
        try:
            df = pd.read_excel(filepath)
            print(f"Файл {filepath} успешно загружен.")
            
            # Проверка наличия необходимых столбцов перед переименованием
            missing_cols = [col for col in columns_rename_map.keys() if col not in df.columns]
            if missing_cols:
                raise ValueError(f"В файле {filepath} отсутствуют необходимые столбцы: {', '.join(missing_cols)}")
                
            df.rename(columns=columns_rename_map, inplace=True)
            
            # Убедимся, что столбец 'Наименование' существует после переименования
            if 'ProductName' not in df.columns:
                 raise ValueError(f"Столбец 'Наименование' (ProductName) не найден в {filepath} после попытки переименования.")
    
            # Очистка названий: удаление начальных/конечных пробелов и приведение к одному регистру (например, нижнему)
            df['ProductName'] = df['ProductName'].astype(str).str.strip().str.lower()
            
            # Преобразование числовых столбцов в числовой тип, обрабатывая возможные ошибки
            for col in df.columns:
                if col != 'ProductName':
                    df[col] = pd.to_numeric(df[col], errors='coerce') # 'coerce' заменит нечисловые значения на NaN
    
            # Заполнение NaN нулями в числовых колонках (можно выбрать другую стратегию, если нужно)
            numeric_cols = df.select_dtypes(include=np.number).columns
            df[numeric_cols] = df[numeric_cols].fillna(0)
    
            # Преобразование числовых столбцов к целочисленному типу там, где это уместно
            int_cols = [col for col in numeric_cols if col not in ['PriorityScore', 'DaysOfStock']] # Не делаем целыми расчетные показатели
            for col in int_cols:
                 # Проверяем, можно ли безопасно преобразовать в int (нет NaN или бесконечностей после fillna)
                 if df[col].is_finite().all():
                     df[col] = df[col].astype(int)
    
            print(f"Данные из {filepath} подготовлены.")
            return df
    
        except FileNotFoundError:
            print(f"Ошибка: Файл {filepath} не найден.")
            print(f"Убедитесь, что файл находится в той же папке, что и скрипт, или укажите полный путь.")
            return None
        except ValueError as ve:
            print(f"Ошибка данных в файле {filepath}: {ve}")
            return None
        except Exception as e:
            print(f"Произошла непредвиденная ошибка при обработке файла {filepath}: {e}")
            return None
    
    # --- Основная логика ---
    print("Начало обработки...")
    
    # 1. Загрузка и подготовка данных
    zap_columns = {'Наименование': 'ProductName', 'Исп': 'KitUsage'}
    paz_columns = {'Наименование': 'ProductName', 'нач': 'StockStart', 'при': 'StockIn', 'рас': 'StockOut', 'кон': 'StockCurrent'}
    
    df_zap = load_and_prepare_data(ZAP_FILE, zap_columns)
    df_paz = load_and_prepare_data(PAZ_FILE, paz_columns)
    
    if df_zap is None or df_paz is None:
        print("Обработка прервана из-за ошибок загрузки файлов.")
    else:
        print("\nОбъединение данных...")
        # 2. Объединение таблиц по уникальным наименованиям, присутствующим в обеих таблицах
        # Используем inner join, чтобы оставить только те товары, что есть в обеих таблицах
        # Удаляем дубликаты названий перед объединением, если они есть (берем первое вхождение)
        df_zap_unique = df_zap.drop_duplicates(subset=['ProductName'], keep='first')
        df_paz_unique = df_paz.drop_duplicates(subset=['ProductName'], keep='first')
    
        df_merged = pd.merge(df_paz_unique, df_zap_unique, on='ProductName', how='inner')
    
        if df_merged.empty:
            print("Не найдено общих наименований товаров в файлах Zap.xlsx и Paz.xlsx.")
            print("Файл с заказом не будет создан.")
        else:
            print(f"Найдено {len(df_merged)} общих товаров для анализа.")
            
            print("\nРасчет необходимых показателей...")
            # 3. Расчет показателей для приоритезации и заказа
    
            # Годовое потребление (используем 'расход' как оценку годового спроса)
            df_merged['AnnualDemand'] = df_merged['StockOut']
    
            # Расчет дневного потребления
            # Добавляем небольшое значение к знаменателю, чтобы избежать деления на ноль, если годовой спрос = 0
            df_merged['DailyDemand'] = df_merged['AnnualDemand'] / DAYS_IN_YEAR
            
            # Расчет запаса в днях
            # Используем numpy.where для безопасного деления
            df_merged['DaysOfStock'] = np.where(
                df_merged['DailyDemand'] > 0, # Условие: если дневной спрос больше 0
                df_merged['StockCurrent'] / df_merged['DailyDemand'], # Рассчитать запас в днях
                np.inf # Иначе (если спроса нет), запас считается бесконечным
            )
            # Для товаров с нулевым текущим остатком и нулевым спросом, запас в днях будет inf, что логично.
            # Если остаток 0, а спрос > 0, запас будет 0 дней.
    
            # Расчет Приоритета Заказа (комбинированный показатель)
            # - Выше приоритет, если меньше запас в днях (более срочно).
            # - Выше приоритет, если товар чаще используется в наборах ('Исп').
            # - Добавляем 1 к KitUsage, чтобы товары с KitUsage=0 не имели нулевой приоритет автоматически.
            # - Добавляем 1 к DaysOfStock, чтобы избежать деления на ноль и слишком больших значений приоритета при DaysOfStock=0.
            # - Используем логарифм от KitUsage+1 для сглаживания влияния очень больших значений 'Исп'. Можно использовать и линейно (df_merged['KitUsage'] + 1).
            #   Выберите вариант, который лучше отражает вашу бизнес-логику.
            # Вариант 1: Линейный вес KitUsage
            # df_merged['PriorityScore'] = (df_merged['KitUsage'] + 1) / (df_merged['DaysOfStock'] + 1)
            # Вариант 2: Логарифмический вес KitUsage (менее резкий рост приоритета от KitUsage)
            df_merged['PriorityScore'] = np.log1p(df_merged['KitUsage']) / np.log1p(df_merged['DaysOfStock'])
            # Обработка случая DaysOfStock = inf (когда спроса нет): приоритет будет 0, так как делим на бесконечность.
            # Обработка случая DaysOfStock = 0 (когда остаток 0, но есть спрос): приоритет будет максимальным для данного KitUsage.
    
            # Расчет необходимого количества к заказу
            # Цель - покрыть годовой спрос (AnnualDemand) с учетом текущего остатка (StockCurrent)
            # Заказываем разницу, если она положительная.
            df_merged['QuantityToOrder'] = df_merged['AnnualDemand'] - df_merged['StockCurrent']
            # Не заказываем, если текущий остаток покрывает годовой спрос или спроса нет
            df_merged['QuantityToOrder'] = df_merged['QuantityToOrder'].apply(lambda x: max(0, x)).astype(int)
    
            # 4. Фильтрация и сортировка
            # Оставляем только те товары, которые нужно заказать (QuantityToOrder > 0)
            df_order = df_merged[df_merged['QuantityToOrder'] > 0].copy()
    
            # Сортируем по Приоритету Заказа (сначала самые приоритетные)
            df_order.sort_values(by='PriorityScore', ascending=False, inplace=True)
    
            # 5. Формирование итоговой таблицы
            print("\nФормирование итогового файла...")
            df_final_order = df_order[[
                'ProductName',
                'StockCurrent',
                'AnnualDemand',
                'KitUsage',
                'DaysOfStock',
                'QuantityToOrder',
                'PriorityScore'
            ]]
    
            # Переименование столбцов для понятности в выходном файле
            df_final_order.rename(columns={
                'ProductName': 'Наименование',
                'StockCurrent': 'Текущий остаток (кон)',
                'AnnualDemand': 'Годовой расход (рас)',
                'KitUsage': 'Использование в наборах (Исп)',
                'DaysOfStock': 'Запас в днях (расчетный)',
                'QuantityToOrder': 'Заказать (кол-во)',
                'PriorityScore': 'Приоритет (чем выше, тем важнее)'
            }, inplace=True)
    
            # Замена inf на что-то более читаемое в 'Запас в днях'
            df_final_order['Запас в днях (расчетный)'] = df_final_order['Запас в днях (расчетный)'].replace(np.inf, '> Года (спроса нет)')
            # Округление расчетных показателей для читаемости
            df_final_order['Приоритет (чем выше, тем важнее)'] = df_final_order['Приоритет (чем выше, тем важнее)'].round(4)
            df_final_order['Запас в днях (расчетный)'] = df_final_order['Запас в днях (расчетный)'].apply(lambda x: round(x, 1) if isinstance(x, (int, float)) else x)
    
    
            # 6. Сохранение результата в Excel
            try:
                # Проверяем, существует ли файл, и пытаемся удалить его, чтобы избежать ошибок прав
                if os.path.exists(OUTPUT_FILE):
                     try:
                         os.remove(OUTPUT_FILE)
                         print(f"Существующий файл {OUTPUT_FILE} удален.")
                     except PermissionError:
                         print(f"Ошибка: Не удалось удалить существующий файл {OUTPUT_FILE}. Возможно, он открыт в другой программе.")
                         print("Пожалуйста, закройте файл и запустите скрипт снова.")
                         OUTPUT_FILE = 'Заказ_приоритет_new.xlsx' # Попытка сохранить под новым именем
                         print(f"Попытка сохранения в файл: {OUTPUT_FILE}")
                     except Exception as e_rem:
                         print(f"Не удалось удалить файл {OUTPUT_FILE}: {e_rem}. Попытка записи может вызвать ошибку.")
    
    
                df_final_order.to_excel(OUTPUT_FILE, index=False)
                print(f"\nГотово! Результат сохранен в файл: {OUTPUT_FILE}")
                print(f"В файле {len(df_final_order)} товаров, рекомендованных к заказу, отсортированных по приоритету.")
    
            except PermissionError:
                 print(f"\nОшибка: Не удалось сохранить файл {OUTPUT_FILE}.")
                 print("Возможно, файл открыт в Excel или другой программе.")
                 print("Пожалуйста, закройте файл и попробуйте запустить скрипт снова.")
            except Exception as e:
                print(f"\nПроизошла ошибка при сохранении файла {OUTPUT_FILE}: {e}")
    
    print("\nОбработка завершена.")
    

    Пояснения к коду:

    1. Импорт библиотек: Импортируем pandas для работы с таблицами, numpy для математических операций и безопасного деления, os для работы с файловой системой (проверка и удаление файла перед записью).
    2. Константы: Задаем имена входных и выходного файлов, а также количество дней в году для расчетов.
    3. Функция load_and_prepare_data:
      • Принимает путь к файлу и словарь для переименования столбцов.
      • Загружает данные из Excel с помощью pd.read_excel.
      • Проверяет наличие ожидаемых столбцов перед переименованием.
      • Переименовывает столбцы для удобства (Наименование -> ProductName и т.д.).
      • Очищает столбец ProductName: удаляет лишние пробелы в начале/конце и приводит всё к нижнему регистру. Это важно для корректного объединения таблиц, если названия могут быть написаны по-разному (например, "Товар А " и "товар а").
      • Преобразует числовые столбцы в числовой тип (pd.to_numeric), заменяя некорректные значения на NaN (errors='coerce').
      • Заполняет пропущенные числовые значения (NaN) нулями (fillna(0)). Вы можете выбрать другую стратегию, если 0 не подходит (например, оставить NaN или использовать среднее).
      • Преобразует числовые столбцы в целые числа (astype(int)), где это возможно и уместно.
      • Добавлена обработка ошибок (try-except) на случай отсутствия файла или проблем с данными/столбцами.
    4. Основная логика:
      • Вызывается функция load_and_prepare_data для обоих файлов.
      • Объединение (pd.merge):
        • Используется how='inner' для того, чтобы в итоговую таблицу попали только те товары, которые есть и в Zap.xlsx, и в Paz.xlsx, как вы и просили.
        • Перед объединением удаляются возможные дубликаты названий в каждой таблице (drop_duplicates), чтобы избежать размножения строк при слиянии.
      • Расчет показателей:
        • AnnualDemand: Годовой спрос оценивается по данным из столбца рас (StockOut).
        • DailyDemand: Рассчитывается средний дневной спрос.
        • DaysOfStock: Вычисляется, на сколько дней хватит текущего остатка при текущем среднем дневном расходе. Используется np.where для безопасной обработки случая, когда DailyDemand равен 0 (в этом случае запас считается бесконечным - np.inf).
        • PriorityScore: Ключевой показатель для сортировки. Формула пытается сбалансировать срочность (мало дней запаса) и важность (часто используется в наборах).
          • np.log1p(df_merged['KitUsage']): Логарифм от (1 + KitUsage). Логарифм используется, чтобы очень большие значения KitUsage не доминировали слишком сильно над приоритетом. +1 (log1p) используется для корректной работы с KitUsage = 0. Если вы хотите прямое влияние KitUsage, используйте (df_merged['KitUsage'] + 1).
          • np.log1p(df_merged['DaysOfStock']): Аналогично, логарифм от (1 + DaysOfStock). Чем больше дней запаса, тем больше знаменатель, и тем ниже приоритет. +1 (log1p) для обработки DaysOfStock = 0 и избежания деления на ноль.
          • Товары с DaysOfStock = 0 (нет остатка, но есть спрос) получат высокий приоритет.
          • Товары с DaysOfStock = inf (спроса нет) получат приоритет 0.
        • QuantityToOrder: Рассчитывается как годовая потребность (AnnualDemand) минус текущий остаток (StockCurrent). Если результат отрицательный (остатка хватает), то к заказу ставится 0 (max(0, x)). Результат преобразуется в целое число.
      • Фильтрация и сортировка:
        • Из таблицы df_merged выбираются только строки, где QuantityToOrder > 0.
        • Полученная таблица df_order сортируется по PriorityScore по убыванию (самые приоритетные сверху).
      • Формирование итоговой таблицы:
        • Выбираются нужные столбцы для выходного файла.
        • Столбцы переименовываются обратно в понятные русские названия.
        • Значения inf в столбце запаса в днях заменяются на более понятную строку.
        • Расчетные столбцы округляются для лучшей читаемости.
      • Сохранение результата:
        • Перед сохранением делается попытка удалить старый выходной файл (os.remove), чтобы избежать ошибок, если файл уже существует и используется. Добавлена обработка PermissionError, если файл не удается удалить (например, он открыт), и в этом случае скрипт пытается сохранить результат под новым именем.
        • Итоговая таблица df_final_order сохраняется в Excel-файл (OUTPUT_FILE) без индекса pandas.
    5. Информационные сообщения: В код добавлены print для отслеживания процесса выполнения и вывода сообщений об ошибках.

    Как использовать:

    1. Убедитесь, что у вас установлен Python и библиотека pandas (pip install pandas openpyxl). openpyxl нужен для чтения/записи .xlsx файлов.
    2. Поместите скрипт Python (например, order_priority.py) в ту же папку, где лежат ваши файлы Zap.xlsx и Paz.xlsx.
    3. Запустите скрипт из командной строки: python order_priority.py
    4. После выполнения в той же папке появится файл Заказ_приоритет.xlsx с отсортированным списком товаров к заказу.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.