А что за чатик?

золотые слова!

а если серьезно есть планы своих курсов?
углубленных курсов по анализу с python не хватает, по мне дак

системных аналитиков?

Есть планы, в ближайших пока только очные курсы и скорее про использование различных API, чем про анализ данных. Но глобально вынашиваю планы курсов по Pandas с таким прям низкоуровневым погружением в то как работают различные функции. Чтобы на выходе человек мог делать очень сложные штуки, а не просто pivot_table, да groupby

Ага, уже добавили)

а пример "сложных штук" можно в студию?

multiindex; понимание того где и когда нужно использовать lambda и apply, а где не надо; stack и unstack; всякие интересные задачки на использование shift и cumsum, в том числе с использованием их в groupby; разные манипуляции с датой/временем (например, преобразование timedelta в обычные целочисленные значения разных размерностей - дни, месяцы, недели); использование melt и других не самых очевидных функций; всякие qcut и cut. На мой взгляд, самая большая проблема заключается в том, что люди часто не знают многих функций pandas, которые встроены по умолчанию, и начинают городить велосипеды, например, итерации по строкам, или если нужны категории по диапазонам, то начинают бить вручную через lambda, а не используют cut. Вот собственно какой-то такой подход хочется привить - очень большое число задач можно решать встроенными возможностями pandas и numpy

👍

👍 про cut надо будет поискать

Ребят есть идеи чего можно придумать?  есть датафрейм. в нем на каждый parent_id приходится несколько id. мне нужно выбрать только один. условия: 1. цена меньше. если цена одинаковая то тот у кого остаток больше, если остаток одинаковый то рандомно, например тот чей id больше. c одним критерием я просто делал rank. а двумя разноправленными (цена меньше, остаток больше) и тем более с тремя - вообще в тупик зашел. есть идеи как это сделать?

Платиновые

Скиньте df и конечный, приблизительный, результат

sort_values сначала по нескольким колонкам, by = ['parent_good_id','price','ostatki','id']. Также нужно задать разные ascending = [True, True, False, False]. Вот тут можно посмотреть похожий пример сортировки. А потом уже когда все отсортировано как надо, нужно сделать drop_duplicates(subset=['parent_good_id'])

Еще наверно можно было бы попробовать кастомную агрегирующую функцию написать, которая возвращала бы True для таких строк, которые соответствующим условиям удовлетворяют, но это кажется более сложным решением

круто. о таком алгоритме я даже не задумывался. все ранки мучал

😔

да там лишнего скинул. удалил, а тут уже и Алексей ответ написал. Так что не надо :)

Та сам хотел чекнуть))