Мне нужно сделать заказ товаров, у меня есть таблица Zap.xlsx c столбцами:…
- 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.
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:
- Импорт библиотек: Импортируем
pandasдля работы с таблицами,numpyдля математических операций и безопасного деления,osдля работы с файловой системой (проверка и удаление файла перед записью). - Константы: Задаем имена входных и выходного файлов, а также количество дней в году для расчетов.
- 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->ProductNameи 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 наNaN(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.
- Основная логика:
- Вызывается функция
load_and_prepare_dataдля обоих файлов. - Объединение (
pd.merge):- Используется
how='inner'для того, чтобы в итоговую таблицу попали только те товары, которые есть и вZap.xlsx, и вPaz.xlsx, как вы и просили. - Перед объединением удаляются возможные дубликаты названий в каждой таблице (
drop_duplicates), чтобы избежать размножения строк при слиянии.
- Используется
- Расчет показателей:
AnnualDemand: Годовой спрос оценивается по данным из столбцарас(StockOut).DailyDemand: Рассчитывается средний дневной спрос.DaysOfStock: Вычисляется, на сколько дней хватит текущего остатка при текущем среднем дневном расходе. Используетсяnp.whereдля безопасной обработки случая, когдаDailyDemandравен 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 значенияKitUsageне доминировали слишком сильно над приоритетом.+1(log1p) используется для корректной работы сKitUsage = 0. Если вы хотите прямое влияниеKitUsage, 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 обработкиDaysOfStock = 0и 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_mergedвыбираются только строки, гдеQuantityToOrder > 0. - Полученная таблица
df_orderсортируется поPriorityScoreпо убыванию (самые приоритетные сверху).
- Из таблицы
- Формирование итоговой таблицы:
- Выбираются нужные столбцы для выходного файла.
- Столбцы переименовываются обратно в понятные русские названия.
- Значения
infв 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 обработкаPermissionError, если файл не удается удалить (например, он открыт), и в этом случае скрипт пытается сохранить результат под новым именем. - Итоговая таблица
df_final_orderсохраняется в Excel-файл (OUTPUT_FILE) без индекса pandas.
- Перед сохранением делается попытка удалить старый выходной файл (
- Вызывается функция
- Информационные сообщения: В код добавлены
printдля отслеживания процесса выполнения и вывода сообщений об ошибках.
Как использовать:
- Убедитесь, что у вас установлен Python и библиотека pandas (
pip install pandas openpyxl).openpyxlнужен для чтения/записи.xlsxфайлов. - Поместите скрипт Python (например,
order_priority.py) в ту же папку, где лежат ваши файлыZap.xlsxиPaz.xlsx. - Запустите скрипт из командной строки:
python order_priority.py - После выполнения в той же папке появится файл
Заказ_приоритет.xlsxс отсортированным списком товаров к заказу.
- Импорт библиотек: Импортируем
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.