🕵‍♂️ Сводка аналитического наблюдения за объектом таблицы. 👋 Всем вечера доброго - пишу из отпуска - тут замечательно, и сразу хочется написать какой-нибудь интересный пост! #детектив_питонит 🔍 По работе довольно много времени провожу в питоне и абсолютно всегда нужно контролировать чтобы в процессе работы с данными - эти данные не упустить, и если так произошло, то понять в какой момент нужно за ними вернуться. 🔍 Самый простой пример это merge который при неправильном использовании умножит наши данные и groupby который эти данные сократит (при наличии NaN). Помню, на одном из самых первых занятий по питону лектор написал что-то вроде: sum_df_sales = df['sales'].sum() sum_df_sales 👨‍💻 Рабочий способ, но в повседневном использовании мне показался неудобным, когда число измеряется миллиардами, ничего кроме кучи цифр с "е06" на конце я не вижу. И сравнение работает только при повторном написании формулы с другой переменной и вычитания одной из другой, а для нормального форматирования числа еще нужно помучать print. 🧑‍💻 А еще постепенно с опытом, я стал приходить к написанию функций под себя, написал, закинул себе конфиг, импортировал один раз и пользуешься своими функциями во всех проектах сразу, не засоряя общий код кучей лишнего кода. Этим мы сейчас и займёмся: 📎 Функция detective_sum - покажет нам сколько денег в столбце, сохранит результат в переменную и посчитает разницу с прошлой проверкой. ✨ А что бы не было скучно - обернём нашу функцию в детективную оболочку. 🤔 Пусть у нас будет Аналитическая сводка, под наблюдением у нас как всегда будут данные, а вдохновением послужат хорошие и плохие российские сериалы про ментов. Функция получилась очень простой, но наглядной, разберётся даже начинающий аналитик. ➡️ Статья для прочтения и готовый ipynb файл для теста, ждёт вас в первом комментарии. 👀 Спасибо за просмотр, жду ваших комментариев, ставьте ✨ если идея показалась интересной 😴 Используете ли вы свои функции, для удобства работы и чистоты кода?