из разных источников

1. Установите Python: Убедитесь, что Python установлен на вашем компьютере. Вы можете скачать его с официального сайта Python.

2. Установите необходимые библиотеки: Вам нужно установить библиотеку Spire.XLS и соединитель MySQL. Используйте следующие команды в терминале или командной строке:

pip install spire.xls.free

pip install mysql-connector-python

3. Настройте MySQL: Если вы еще не сделали этого, установите MySQL на вашем компьютере. Вы можете скачать его с официального сайта MySQL. После установки создайте базу данных для работы. Вы можете сделать это с помощью клиента MySQL, такого как MySQL Workbench, или через командную строку:

CREATEDATABASE excel_db;

Теперь, когда ваша среда настроена, мы можем перейти к подключению к базе данных MySQL.

Подключение к базе данных MySQL

Чтобы взаимодействовать с базой данных MySQL, вам необходимо установить соединение. Следующий код показывает, как это сделать:

import mysql.connector

# Установите соединение с базой данных MySQL

connection = mysql.connector.connect(

host="localhost",

user="your_username", # Замените на ваше имя пользователя MySQL

password="your_password", # Замените на ваш пароль MySQL

database="your_database"# Замените на имя вашей базы данных

)

cursor = connection.cursor()

Экспорт данных из базы данных в Excel

Шаг 1. Извлечение данных из базы данных

Чтобы экспортировать данные из MySQL в Excel, вам сначала нужно извлечь их. Вот как получить имена столбцов и данные конкретной таблицы в вашей базе данных:

# Получите имена столбцов

cursor.execute("SHOW COLUMNS FROM table_name")

column_names = [column[0] for column in cursor.fetchall()]

# Получите данные

cursor.execute("SELECT * FROM table_name")

data = cursor.fetchall()

Шаг 2. Запись данных в Excel

Далее вы запишите извлеченные данные в файл Excel с помощью Spire.XLS. Вот как это сделать:

from spire.xls import *

from spire.xls.common import *

# Создайте объект курсора

cursor = connection.cursor()

# Создайте объект Workbook

workbook = Workbook()

# Удалите стандартные таблицы

workbook.Worksheets.Clear()

# Добавьте таблицу и назовите ее

worksheet = workbook.Worksheets.Add("FromDatabase")

# Запишите имена столбцов в таблицу Excel

for col_index, column_name inenumerate(column_names, start=1):

worksheet.SetValue(1, col_index, column_name)

# Запишите данные в таблицу Excel

for row_index, row inenumerate(data, start=2):

for col_index, value inenumerate(row, start=1):

worksheet.SetValue(row_index, col_index, str(value))

# Сохраните рабочую книгу в файл Excel

workbook.SaveToFile("output.xlsx")

Шаг 3. Настройка вывода в Excel

Вы можете дополнительно настроить вывод в Excel, применяя стили, форматирование или добавляя диаграммы, улучшая визуальную привлекательность вашего файла Excel. Например, вы можете сделать заголовок жирным, настроить ширину столбцов и высоту строк:

# Сделайте заголовок жирным

worksheet.Rows[0].Style.Font.IsBold = True

# Установите ширину столбцов и высоту строк

worksheet.AllocatedRange.ColumnWidth = 10

worksheet.AllocatedRange.RowHeight = 15

Полный код для экспорта данных из базы данных в Excel с помощью Python выглядит следующим образом:

from spire.xls import *

from spire.xls.common import *

import mysql.connector

# Установите соединение с базой данных MySQL

connection = mysql.connector.connect(

host="localhost",

user="root",

password="admin",

database="excel_db"

)

# Создайте объект курсора

cursor = connection.cursor()

# Получите имена столбцов

cursor.execute("SHOW COLUMNS FROM office_cost")

column_names = [column[0] for column in cursor.fetchall()]

# Получите данные

cursor.execute("SELECT * FROM office_cost")

data = cursor.fetchall()

# Создайте объект Workbook

workbook = Workbook()

# Удалите стандартные таблицы

workbook.Worksheets.Clear()

# Добавьте таблицу и назовите ее

worksheet = workbook.Worksheets.Add("FromDatabase")

# Запишите имена столбцов в таблицу Excel

for col_index, column_name inenumerate(column_names, start=1):

worksheet.SetValue(1, col_index, column_name)

# Запишите данные в таблицу Excel

for row_index, row inenumerate(data, start=2):

for col_index, value inenumerate(row, start=1):

worksheet.SetValue(row_index, col_index, str(value))

# Установите ширину столбцов и высоту строк

worksheet.AllocatedRange.ColumnWidth = 10

worksheet.SetColumnWidth(2, 15)

worksheet.AllocatedRange.RowHeight = 15

# Установите выравнивание

worksheet.AllocatedRange.HorizontalAlignment = HorizontalAlignType.Left

# Установите стиль шрифта

worksheet.Rows[0].Style.Font.IsBold = True

# Сохраните рабочую книгу в файл Excel

workbook.SaveToFile("output/DatabaseToExcel.xlsx")

# Закройте курсор и соединение с базой данных

cursor.close()

connection.close()

Вывод:

В этой статье мы прошли процесс экспорта данных из базы данных MySQL в файл Excel с помощью Spire.XLS для Python. Мы начали с настройки среды, включая установку Python, необходимых библиотек и MySQL. Затем мы рассмотрели подключение к базе данных, извлечение данных и запись их в рабочую книгу Excel. Наконец, мы обсудили настройку вывода для улучшения читаемости. Следуя этим шагам, вы можете упростить процесс экспорта данных с помощью Python.

• Доставка до клиента организована на уровне магазинов (не склада).

• Товарная матрица жёстко фиксирована: перемещение ассортимента между точками возможно только в рамках допустимых категорий (например, нельзя заменить «Телефоны» на «Хлеб» при перераспределении).

• Доступны фактические данные по:

  • продажам (с доставкой / без),

  • остаткам на точках,

  • SKU-уровню заказов с доставкой (включая адреса и объёмы).

На основе этих данных можно реализовать следующие аналитические и управленческие модули:

1. Определение зон покрытия магазинов
   По адресам доставок (без привязки к квартирам) и частоте заказов за период (например, за год) строится геопространственная область — зоны ответственности каждого магазина. Границы определяются экстремальными точками доставок.

2. ABC-анализ по SKU на уровне точки
   На основе фактических продаж формируется структура ассортимента: приоритетные, средние и низколиквидные SKU — с учётом оборачиваемости и вклада в выручку.

3. Моделирование альтернативного размещения при закрытии точки
   Сопоставление товарных матриц, зон покрытия и ABC-профилей позволяет идентифицировать подходящие точки-реципиенты для перераспределения остатков — с минимальными логистическими и коммерческими потерями.

4. Планирование перераспределения
   Комбинируя:

   • текущие остатки (на отправляющей точке),

   • лимиты хранения и нормативы по категориям (на принимающих точках),

   • совместимость товарных матриц,

   • пересечения зон покрытия и клиентской базы,
     формируется оптимальный план перемещения запасов — как при частичной реорганизации сети, так и при полном закрытии объекта.

Пример конфигурации:
Объект А характеризуется своей зоной покрытия и текущими остатками. Объекты Б, В, Г и др. — собственными остатками, ограничениями хранения по категориям, продажной динамикой и клиентскими зонами. Система оценивает все взаимодействия и предлагает планы по перераспределению товаров (Зон ожидается в будущем)

Компания Х решила закрыть объект А. Теперь нужно оценить, как это повлияет на:

- остатки товаров в других магазинах и на складе;

- зоны доставки других магазинов;

- среднее время доставки клиентам и стоимость перераспределения товарных остатков.

На основе этого анализа мы составим техническое задание для программы. Вот его основные пункты:

1. Определить регион, в котором находится объект А.

2. Выяснить фактические остатки товаров на этом объекте.

3. Найти ближайшие объекты с аналогичной товарной матрицей.

4. Провести ABC-анализ товаров на всех объектах за последний год.

5. Разработать план перераспределения товаров. Учитывать информацию из пунктов 1–3, а также средние затраты на перевозку одного кубического метра (задается при создании региона). Рассчитать оптимальное перераспределение.

Предложенная логика в целом корректна, однако в текущей реализации не учитывается стоимость доставки как функция пройденного расстояния или объёма груза.

Например, можно оперировать не стоимостью за километр, а средней себестоимостью перевозки на единицу объёма — скажем, при известных затратах в 1,5 млн ₽ на перевозку 160 м³ получаем удельную стоимость ~9,4 тыс. ₽/м³. (Цифра условная и приведена для иллюстрации.)

Более гибкий и масштабируемый подход — задать набор типов транспорта («траков») с атрибутами: тип маршрута, грузоподъёмность, объём и соответствующая средняя стоимость перевозки. Это позволит учитывать различия в логистике более точно.

С учётом этого, скорректирую модель и вернусь к дальнейшей проработке.

Программа, следуя установленным правилам, рассчитывает оптимальное размещение товаров. Если отключить АВС-анализ, она будет учитывать только остатки, местоположение и матрицу.

Ниже приведу пример работы данного функционала, данные заглушка и программа не может правильно разместить товары, поэтому все = 0.

P.S. Сейчас создание достоверных данных не является приоритетом.

Да, так как и писал - данные тестовые и в самом деле в регионе нет аналогичных матриц

Аналогично скрину выше, не нашли куда перевозить, доставка = 0.

И теперь основной вопрос "А что будет с доставкой? Как сильно закрытие повлияет на SLA по скорости?". Данный расчет сейчас является приоритетной доработкой которой я занимаюсь.
Логика которая мною вкладывает в анализ - следующая:

1. Смотреть на расстояние различных точек на карте

2. Делить действующую зону на кластеры

3. Определить оптимальные объекты по времени которые находятся рядом

4. Сделать ренден всех 3-ех пунктов и показывать изменения в зонировании доставки с отчетом об изменении среднего времени и какие районы слишком далеко.

Для инфраструктуры это очень важный фактор, от которого зависит многое. Так же этот фактор должен работать и при открытии нового объекта. Но сейчас такой функционал не реализован

Функция выбора источника данных для программы и совместная работа с одним исполняемым файлом.

В параллели с влиянием на регион, мне удалось внести не большую доработку в систему. Теперь пользователи могут выбирать исполняемый файл.

2 пользователя работают с одним исполняемым файлом, вносят корректировки, строят дашборды, удаляют или дополняют данными программу. Но как копии приложения узнать что внесены изменения в хранилище? Для этого было реализовано metadata таблица. исполняемое приложение запускается, запоминает метаданные времени БД и проверяет обновления, в случае изменения метаданных моментально сигнализирует о том что необходимо обновить данные.

В рамках подготовки программы к первому тестированию на живых данных в нашей компании была реализована функция "Отправить отчет об ошибке".

После отправки - логи приходят ко мне в ТГ через бота. Все логи запаковываются в zip архив, параллельно запускает процесс удаления логов из папки.

Почему я быстрее реализовал совместный доступ и отправку логов, вместо того что бы наполнить данными и показать на примере где все логично? Наверное потому что лень тратить много времени на создание данных, а потом их дополнять и править. Программа не окончательная, система хранения меняется. Например сейчас я понял что стоимость доставки и распределения товара можно завязать на типы траков - буду реализовывать и менять хранение. Менее затратно по времени дописать скрипт, чем создавать новую логику в 1000 строк данных.

Всем спасибо за то что дочитали.

Если есть желание предоставить тестовые данные с логикой - буду очень рад, поможет при тестировании. Шаблон данных могу предоставить.