Комментарии (4)

1. 

   climateka

   25.08.2025 22:19

   #28753796

   А 1с то здесь зачем? Оно не выполняет ровным счетом ничего, закиньте также эти файлы в условный гигачат, и будет то же самое, если он умеет файлы читать)

   
   

   1. 

      exwill Автор

      25.08.2025 22:19

      #28753800

      У гигачат нет code interpreter

1. 

   nafa2017

   25.08.2025 22:19

   #28753906

   Я так понял, что она должна была написать код, потом показать результат его выполнения. Можно посмотреть код, который был создан в данном случае ?

   
   

   1. 

      exwill Автор

      25.08.2025 22:19

      #28754600

      import pandas as pd
      from pathlib import Path
      from collections import defaultdict, deque
      
      def read_csv_smart(path):
          for enc in ["utf-8", "utf-8-sig", "cp1251", "latin1"]:
              try:
                  return pd.read_csv(path, encoding=enc)
              except Exception:
                  continue
          # fallback
          return pd.read_csv(path, encoding="latin1", errors="ignore")
      
      # Load
      purchases = read_csv_smart("/mnt/data/file-7hqUPaq8LxdUaPjygcVFrh-purchases.csv")
      sales = read_csv_smart("/mnt/data/file-Q1Zn1817nakCUSQTtTxs25-sales.csv")
      
      # Normalize column names
      purchases.columns = [c.strip().lower() for c in purchases.columns]
      sales.columns = [c.strip().lower() for c in sales.columns]
      
      # Map Russian columns
      # дата, товар, количество, сумма
      req_cols = ["дата", "товар", "количество", "сумма"]
      for df_name, df in [("Закупки", purchases), ("Продажи", sales)]:
          missing = [c for c in req_cols if c not in df.columns]
          if missing:
              raise ValueError(f"{df_name}: отсутствуют столбцы {missing}. Найдены: {list(df.columns)}")
      
      # Prepare dataframes
      p_df = purchases[["дата", "товар", "количество", "сумма"]].copy()
      s_df = sales[["дата", "товар", "количество", "сумма"]].copy()
      
      # Parse dates (dd.mm.yy)
      for df in (p_df, s_df):
          df["дата"] = pd.to_datetime(df["дата"], format="%d.%m.%y", errors="coerce")
          df["количество"] = pd.to_numeric(df["количество"], errors="coerce")
          df["сумма"] = pd.to_numeric(df["сумма"], errors="coerce")
      
      # Drop bad rows
      p_df = p_df.dropna(subset=["дата", "товар", "количество", "сумма"])
      s_df = s_df.dropna(subset=["дата", "товар", "количество", "сумма"])
      
      # Compute unit cost for purchases
      p_df = p_df[p_df["количество"] > 0]
      p_df["unit_cost"] = p_df["сумма"] / p_df["количество"]
      
      # For sales, revenue is given as total "сумма"
      s_df = s_df[s_df["количество"] > 0]
      s_df["revenue"] = s_df["сумма"]
      
      # Sort
      p_df = p_df.sort_values(["товар", "дата"]).reset_index(drop=True)
      s_df = s_df.sort_values(["товар", "дата"]).reset_index(drop=True)
      
      # Build FIFO queues per product
      purchase_queues = defaultdict(deque)
      for prod, grp in p_df.groupby("товар", sort=False):
          for _, r in grp.iterrows():
              purchase_queues[prod].append([float(r["количество"]), float(r["unit_cost"]), r["дата"]])
      
      # Process sales
      rows = []
      shortages = defaultdict(float)
      
      for prod, grp in s_df.groupby("товар", sort=False):
          for _, r in grp.iterrows():
              qty = float(r["количество"])
              revenue = float(r["revenue"])
              remaining = qty
              cogs = 0.0
              pq = purchase_queues[prod]
              while remaining > 0 and pq:
                  lot_qty, lot_cost, lot_date = pq[0]
                  use = min(remaining, lot_qty)
                  cogs += use * lot_cost
                  lot_qty -= use
                  remaining -= use
                  if lot_qty == 0:
                      pq.popleft()
                  else:
                      pq[0][0] = lot_qty
              if remaining > 0:
                  shortages[prod] += remaining
              rows.append({
                  "date": r["дата"],
                  "product": prod,
                  "qty_sold": qty,
                  "revenue": revenue,
                  "cogs_fifo_known": cogs,
                  "gross_profit_known": revenue - cogs,
                  "uncosted_qty_due_to_shortage": max(0.0, remaining)
              })
      
      res_df = pd.DataFrame(rows)
      
      # Aggregate per product
      agg = res_df.groupby("product", as_index=False).agg(
          revenue=("revenue", "sum"),
          cogs_fifo_known=("cogs_fifo_known", "sum"),
          gross_profit=("gross_profit_known", "sum"),
          qty_sold=("qty_sold", "sum"),
          uncosted_qty=("uncosted_qty_due_to_shortage", "sum")
      ).sort_values("gross_profit", ascending=False)
      
      # Display results
      display(agg)
      
      # Totals
      totals = pd.DataFrame({
          "product": ["ИТОГО"],
          "revenue": [agg["revenue"].sum()],
          "cogs_fifo_known": [agg["cogs_fifo_known"].sum()],
          "gross_profit": [agg["gross_profit"].sum()],
          "qty_sold": [agg["qty_sold"].sum()],
          "uncosted_qty": [agg["uncosted_qty"].sum()],
      })
      display(totals)
      
      # If shortages, show brief note
      if (agg["uncosted_qty"] > 0).any():
          display({"Примечание": "Обнаружены продажи без достаточного запаса на момент продажи. COGS рассчитан только для доступной части. Проверьте последовательность дат закупок/продаж."})