mdbq 3.5.7__py3-none-any.whl → 3.5.9__py3-none-any.whl

mdbq/aggregation/query_data.py

@@ -569,6 +569,7 @@ class MysqlDatasQuery:
             '退款额_发货后': 1,
             '退货量_发货后': 1,
             '店铺名称': 1,
+            '更新时间': 1,
         }
         __res = []
         for year in range(2024, datetime.datetime.today().year + 1):
@@ -582,17 +583,21 @@ class MysqlDatasQuery:
             __res.append(df)
         df = pd.concat(__res, ignore_index=True)
         df['宝贝id'] = df['宝贝id'].astype(str)
-        df = df.groupby(['日期', '店铺名称', '宝贝id', '行业类目'], as_index=False).agg(
-            **{
-                '销售额': ('销售额', np.min),
-                '销售量': ('销售量', np.min),
-                '订单数': ('订单数', np.min),
-                '退货量': ('退货量', np.max),
-                '退款额': ('退款额', np.max),
-                '退款额_发货后': ('退款额_发货后', np.max),
-                '退货量_发货后': ('退货量_发货后', np.max),
-               }
-        )
+        # df = df.groupby(['日期', '店铺名称', '宝贝id', '行业类目'], as_index=False).agg(
+        #     **{
+        #         '销售额': ('销售额', np.min),
+        #         '销售量': ('销售量', np.min),
+        #         '订单数': ('订单数', np.min),
+        #         '退货量': ('退货量', np.max),
+        #         '退款额': ('退款额', np.max),
+        #         '退款额_发货后': ('退款额_发货后', np.max),
+        #         '退货量_发货后': ('退货量_发货后', np.max),
+        #        }
+        # )
+        # 仅保留最新日期的数据
+        idx = df.groupby(['日期', '店铺名称', '宝贝id'])['更新时间'].idxmax()
+        df = df.loc[idx]
+        df = df[['日期', '店铺名称', '宝贝id', '行业类目', '销售额', '销售量', '订单数', '退货量', '退款额', '退款额_发货后', '退货量_发货后']]
         df['件均价'] = df.apply(lambda x: x['销售额'] / x['销售量'] if x['销售量'] > 0 else 0, axis=1).round(
             0)  # 两列运算, 避免除以0
         df['价格带'] = df['件均价'].apply(
@@ -2226,13 +2231,17 @@ class MysqlDatasQuery:
             __res.append(df)
         df = pd.concat(__res, ignore_index=True)
         df = df[df['商品id'] != '合计']
-        df = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'],
-                        as_index=False).agg(
-            **{
-                '成交单量': ('成交单量', np.max),
-                '成交金额': ('成交金额', np.max),
-            }
-        )
+        # df = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'],
+        #                 as_index=False).agg(
+        #     **{
+        #         '成交单量': ('成交单量', np.max),
+        #         '成交金额': ('成交金额', np.max),
+        #     }
+        # )
+        # 仅保留最新日期的数据
+        idx = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'])['更新时间'].idxmax()
+        df = df.loc[idx]
+        df = df[['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数', '成交单量', '成交金额']]
         self.pf_datas_jd.append(
             {
                 '集合名称': table_name,
@@ -2313,13 +2322,17 @@ class MysqlDatasQuery:
             __res.append(df)
         df = pd.concat(__res, ignore_index=True)
         df = df[df['商品id'] != '合计']
-        df = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'],
-                        as_index=False).agg(
-            **{
-                '成交单量': ('成交单量', np.max),
-                '成交金额': ('成交金额', np.max),
-            }
-        )
+        # df = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'],
+        #                 as_index=False).agg(
+        #     **{
+        #         '成交单量': ('成交单量', np.max),
+        #         '成交金额': ('成交金额', np.max),
+        #     }
+        # )
+        # 仅保留最新日期的数据
+        idx = df.groupby(['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数'])['更新时间'].idxmax()
+        df = df.loc[idx]
+        df = df[['日期', '店铺名称', '商品id', '货号', '访客数', '成交客户数', '加购商品件数', '加购人数', '成交单量', '成交金额']]
         set_typ = {
             '日期': 'date',
             '店铺名称': 'varchar(100)',
@@ -2391,6 +2404,7 @@ class MysqlDatasQuery:
             '新访客': 1,
             '客单价': 1,
             'uv价值': 1,
+            '更新时间': 1,
         }
         __res = []
         for year in range(2024, datetime.datetime.today().year+1):
@@ -2403,19 +2417,23 @@ class MysqlDatasQuery:
             )
             __res.append(df)
         df = pd.concat(__res, ignore_index=True)
-        df = df.groupby(
-            ['日期', '店铺名称', '词类型', '搜索词'],
-            as_index=False).agg(
-            **{
-                '访客数': ('访客数', np.max),
-                '加购人数': ('加购人数', np.max),
-                '支付金额': ('支付金额', np.max),
-                '支付转化率': ('支付转化率', np.max),
-                '支付买家数': ('支付买家数', np.max),
-                '客单价': ('客单价', np.max),
-                'uv价值': ('uv价值', np.max)
-            }
-        )
+        # df = df.groupby(
+        #     ['日期', '店铺名称', '词类型', '搜索词'],
+        #     as_index=False).agg(
+        #     **{
+        #         '访客数': ('访客数', np.max),
+        #         '加购人数': ('加购人数', np.max),
+        #         '支付金额': ('支付金额', np.max),
+        #         '支付转化率': ('支付转化率', np.max),
+        #         '支付买家数': ('支付买家数', np.max),
+        #         '客单价': ('客单价', np.max),
+        #         'uv价值': ('uv价值', np.max)
+        #     }
+        # )
+        idx = df.groupby(['日期', '店铺名称', '词类型', '搜索词'])['更新时间'].idxmax()
+        df = df.loc[idx]
+        df = df[['日期', '店铺名称', '词类型', '搜索词', '访客数', '加购人数', '支付金额', '支付转化率', '支付买家数', '客单价', 'uv价值']]
+
         set_typ = {
             '日期': 'date',
             '店铺名称': 'varchar(100)',
@@ -4179,5 +4197,5 @@ if __name__ == '__main__':
     # )
 
     sdq = MysqlDatasQuery()  # 实例化数据处理类
-    sdq.months = 3
-    sdq._ald_wxt(db_name='聚合数据', table_name='奥莱店_主体报表')
+    sdq.months = 3  # 设置数据周期， 1 表示近 2 个月
+    sdq.se_search(db_name='聚合数据', table_name='天猫店铺来源_手淘搜索')

{mdbq-3.5.7.dist-info → mdbq-3.5.9.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: mdbq
-Version: 3.5.7
+Version: 3.5.9
 Home-page: https://pypi.org/project/mdbq
 Author: xigua, 
 Author-email: 2587125111@qq.com

{mdbq-3.5.7.dist-info → mdbq-3.5.9.dist-info}/RECORD

@@ -4,7 +4,7 @@ mdbq/aggregation/__init__.py,sha256=EeDqX2Aml6SPx8363J-v1lz0EcZtgwIBYyCJV6CcEDU,
 mdbq/aggregation/aggregation.py,sha256=-yzApnlqSN2L0E1YMu5ml-W827qpKQvWPCOI7jj2kzY,80264
 mdbq/aggregation/datashow.py,sha256=1AYSIDkdUx-4as1Ax2rPj0cExM9d-qFMrFYLAaPHNuk,54962
 mdbq/aggregation/optimize_data.py,sha256=RXIv7cACCgYyehAxMjUYi_S7rVyjIwXKWMaM3nduGtA,3068
-mdbq/aggregation/query_data.py,sha256=Zsbt2LykpqRblIZhiSW1rgs41zygC8InefH0zpNIWp8,191284
+mdbq/aggregation/query_data.py,sha256=3sQgiMcsQU5QzBvokmc3ED-UMlaQLkbKE-gLvE-XyvA,192951
 mdbq/bdup/__init__.py,sha256=AkhsGk81SkG1c8FqDH5tRq-8MZmFobVbN60DTyukYTY,28
 mdbq/bdup/bdup.py,sha256=LAV0TgnQpc-LB-YuJthxb0U42_VkPidzQzAagan46lU,4234
 mdbq/config/__init__.py,sha256=jso1oHcy6cJEfa7udS_9uO5X6kZLoPBF8l3wCYmr5dM,18
@@ -36,7 +36,7 @@ mdbq/redis/__init__.py,sha256=YtgBlVSMDphtpwYX248wGge1x-Ex_mMufz4-8W0XRmA,12
 mdbq/redis/getredis.py,sha256=PlWAGMC-WqdZtyvtjjj-i0i8AiBsNP6zgAUb5Fdkark,8481
 mdbq/spider/__init__.py,sha256=RBMFXGy_jd1HXZhngB2T2XTvJqki8P_Fr-pBcwijnew,18
 mdbq/spider/aikucun.py,sha256=v7VO5gtEXR6_4Q6ujbTyu1FHu7TXHcwSQ6hIO249YH0,22208
-mdbq-3.5.7.dist-info/METADATA,sha256=2vbVtGiIZ0FKagUbtistkxCiI5m3Iwbh8c-kTpWEkSk,243
-mdbq-3.5.7.dist-info/WHEEL,sha256=eOLhNAGa2EW3wWl_TU484h7q1UNgy0JXjjoqKoxAAQc,92
-mdbq-3.5.7.dist-info/top_level.txt,sha256=2FQ-uLnCSB-OwFiWntzmwosW3X2Xqsg0ewh1axsaylA,5
-mdbq-3.5.7.dist-info/RECORD,,
+mdbq-3.5.9.dist-info/METADATA,sha256=MplUpnGT5l0iy7c7S8GxQ6TlUEgLibOVJdcIp487lis,243
+mdbq-3.5.9.dist-info/WHEEL,sha256=eOLhNAGa2EW3wWl_TU484h7q1UNgy0JXjjoqKoxAAQc,92
+mdbq-3.5.9.dist-info/top_level.txt,sha256=2FQ-uLnCSB-OwFiWntzmwosW3X2Xqsg0ewh1axsaylA,5
+mdbq-3.5.9.dist-info/RECORD,,