def analysis_noarrange(sql):
dfsql = kl_class.dfMysql()
df = dfsql.select_mysql(sql)
df_section_noarrange = df[(df['开始时间'].isnull())|(df['结束时间'].isnull())]
df_section_noarrange = df_section_noarrange.fillna('未填写')
pdf = kl_class.parsingDf()
return pdf.df_iter( df_section_noarrange )
def analysis_item(sql,item):
dfsql = kl_class.dfMysql()
df = dfsql.select_mysql(sql)
df=df.applymap(str)
pdf = kl_class.parsingDf()
df_item, df_item_text = pdf.df_item(df,item)
pdf.df_fig(df_item,'bar')
return df_item,df_item_text
def analysis_null(sql):
dfsql = kl_class.dfMysql()
df = dfsql.select_mysql(sql)
columns_list = list(df)
pdf = kl_class.parsingDf()
df_null, df_null_text = pdf.null_item(df)
pdf.df_fig(df_null,'bar')
return len(df),columns_list,df_null,df_null_text
def analysis_section(sql,flag,s_date,e_date=datetime.date.today()):
dfsql = kl_class.dfMysql()
df = dfsql.select_mysql(sql)
start_date = pd.to_datetime(s_date).date()
end_date = pd.to_datetime(e_date).date()
df_section_end = df[(df['开始时间'] >= start_date)
& (df['结束时间'] <= end_date)
& (df['是否完成整改'] == flag)
]
df_section_end = df_section_end.fillna('未填写')
pdf = kl_class.parsingDf()
return pdf.df_iter( df_section_end )
def redundant_vacancies(sql_person, sql_value):
# 连接数据库，读取人员信息和人员配置信息
dfsql = kl_class.dfMysql()
df_person = dfsql.select_mysql(sql_person)
df_person['年龄'] = pandas_age(df_person['出生年月(2020-1-1)'])
df_person['工龄'] = pandas_age(df_person['参加工作起始年(2020-1-1)'])
df_value = dfsql.select_mysql(sql_value)
# 统一人员配置数据
df_value = df_value[['单位', '机构名称', '科室', '岗位', '定编']]
df_value.rename(columns={'机构名称': '部门'}, inplace=True)
# 解决告警问题，一是要copy，二是要用loc引用
df_value1 = df_value.copy()
df_value1.loc[:, ['定编']] = df_value1.loc[:, ['定编']].astype('int')
# 对人员表进行透视
for i in range(len(df_person)):
if pd.isna(df_person.loc[i, '所队(县区级单位)']):
df_person.loc[i, '单位'] = df_person.loc[i, '地市级单位']
else:
df_person.loc[i, '单位'] = df_person.loc[i, '所队(县区级单位)']
df_person.fillna('无', inplace=True)
df_person_talbe = pd.pivot_table(
df_person,
index=['单位', '部门', '科室', '岗位'],
values=['姓名'],
aggfunc=len,
fill_value=0,
margins=True,
# margins_name='总数'
)
df_person_talbe.reset_index(inplace=True)
df_person_talbe.columns = ['单位', '部门', '科室', '岗位', '在岗数']
df_value1.fillna('无', inplace=True)
df_person_talbe.fillna('无', inplace=True)
df_table = pd.merge(df_value1,
df_person_talbe,
how='left',
on=['单位', '部门', '科室', '岗位'])
df_table.fillna(0, inplace=True)
df_table['缺员'] = df_table['定编'] - df_table['在岗数']
text = "昆明供电局安全监管部（应急指挥中心）定编{0}人，\
实际{1}人，缺员{2}人。".format(df_table['定编'].sum(), df_table['在岗数'].sum(),
df_table['缺员'].sum())
pdf = kl_class.parsingDf()
# 党员
# df_person_party=df_person['政治面貌'].value_counts()
# df_person_party = kl_class.sort_list(df_person_party, ['党员', '群众'])
# text_person_party = pdf.series_tex(df_person_party, '名')
# 性别
df_person_sex = df_person['性别'].value_counts()
df_person_sex = kl_class.sort_list(df_person_sex, ['男', '女'])
text_person_sex = pdf.series_tex(df_person_sex, '名')
# 年龄
df_person_age = pd.cut(df_person['年龄'].astype('int'),
bins=[0, 30, 40, 50, 100],
labels=["30岁以下", "30-39岁", "40-49岁", "50岁以上"])
df_person_age_count = df_person_age.value_counts()
df_person_age_count = kl_class.sort_list(
df_person_age_count, ["30岁以下", "30-39岁", "40-49岁", "50岁以上"])
text_person_age_count = pdf.series_tex(df_person_age_count, '名')
#工龄
df_person_wage = pd.cut(
df_person['工龄'].astype('int'),
bins=[0, 5, 10, 20, 30, 50],
labels=["5年以下", "5-9年", "10-19年", "20-29年", "30年以上"])
df_person_wage_count = df_person_wage.value_counts()
df_person_wage_count = kl_class.sort_list(
df_person_wage_count, ["5年以下", "5-9年", "10-19年", "20-29年", "30年以上"])
text_person_wage_count = pdf.series_tex(df_person_wage_count, '名')
# 文化程度
text_list = []
list_columns = ['初始学历', '所学专业(初始)', '职称']
s_list = [
'男', '女', '党员', '群众', '研究生', '本科', '大专', '高级工程师', '工程师', '助理工程师', '经理',
'副经理', '主管', '安全监察专责(A)', '安全监察专责(B)', '风险体系管理专责(A)', '风险体系管理专责(B)',
'应急管理专责', '班长', '安全监察员'
]
for item in list_columns:
df_person_x = df_person[item].value_counts()
df_person_x = kl_class.sort_list(df_person_x, s_list)
text_person_x = pdf.series_tex(df_person_x, '名')
text_list.append(text_person_x)
text = text + text_person_sex + text_person_age_count + '工龄：' + text_person_wage_count + ''.join(
text_list)
df_person = df_person[['姓名', '单位', '部门', '科室', '岗位', '性别', '年龄']]
df_person.fillna('无', inplace=True)
df_person = kl_class.sort_list(df_person, s_list, '岗位')
list_d = [
'昆明供电局',
'官渡供电局',
'五华供电局',
'盘龙供电局',
'西山供电局',
'呈贡供电局',
'东川供电局',
'昆明安宁供电局',
'云南电网有限责任公司昆明晋宁供电局',
'云南电网有限责任公司昆明宜良供电局',
'云南电网有限责任公司昆明富民供电局',
'云南电网有限责任公司昆明嵩明供电局',
'云南电网有限责任公司昆明石林供电局',
'云南电网有限责任公司昆明寻甸供电局',
'云南电网有限责任公司昆明禄劝供电局',
]
list_b = [
'安全监管部（应急指挥中心）',
'系统运行部',
'科技创新及数字化中心',
'规划建设管理中心（质监分站）',
'供电服务中心',
'综合服务中心（涉电分中心）',
'物流服务中心',
'带电作业中心',
'通信管理所',
'输电管理所',
'变电运行一所',
'变电运行二所',
'变电修试所',
'安全监管部',
]
list_k = [
'无',
'安全监察科',
'应急与保供电管理科',
'安全督查大队',
'安全监察班',
'综合室',
'安生室',
'计划安全室',
'质量安全室',
'科技室',
]
list_sort = [list_d, list_b, list_k]
column = ['单位', '部门', '科室']
for i in range(len(column)):
cat_order = CategoricalDtype(list_sort[i], ordered=True)
df_person[column[i]] = df_person[column[i]].astype(cat_order)
df_person = df_person.sort_values(column,
axis=0,
ascending=[True, True, True])
df_person.reset_index(drop=True, inplace=True)
return df_table, text, df_person
def redundant_vacancies(sql_person, sql_value):
#连接数据库，读取人员信息和人员配置信息
dfsql = kl_class.dfMysql()
df_person = dfsql.select_mysql(sql_person)
df_value = dfsql.select_mysql(sql_value)
#统一人员配置数据
df_value = df_value[['科室或班组名称', '岗位名称', '职数']]
df_value.rename(columns={'科室或班组名称': '科室', '岗位名称': '工作岗位'}, inplace=True)
#df_value['职数']=df_value['职数'].astype('int')
df_value1 = df_value.copy()
df_value1.loc[:, ['职数']] = df_value1.loc[:, ['职数']].astype('int')
#对人员表进行透视
df_person_talbe = pd.pivot_table(df_person,
index=['科室', '工作岗位'],
columns=['岗位状态'],
values=['姓名'],
aggfunc=len,
fill_value=0,
margins=True,
margins_name='总数')
df_person_talbe.reset_index(inplace=True)
df_person_talbe.columns = ['科室', '工作岗位', '借入', '借出', '在岗', '总数']
df_table = pd.merge(df_value1,
df_person_talbe,
how='left',
on=['科室', '工作岗位'])
df_table['缺员'] = df_table['职数'] - df_table['总数']
text = "昆明供电局安全监管部（应急指挥中心）定员{0}人，\
实际{1}人，缺员{2}人,其中：在岗{3}人，借入{4}人，借出{5}人。".format(
df_table['职数'].sum(), df_table['总数'].sum(), df_table['缺员'].sum(),
df_table['在岗'].sum(), df_table['借入'].sum(), df_table['借出'].sum())
pdf = kl_class.parsingDf()
#党员
df_person_party = df_person['政治面貌'].value_counts()
df_person_party = kl_class.sort_list(df_person_party, ['党员', '群众'])
text_person_party = pdf.series_tex(df_person_party, '名')
#性别
df_person_sex = df_person['性别'].value_counts()
df_person_sex = kl_class.sort_list(df_person_sex, ['男', '女'])
text_person_sex = pdf.series_tex(df_person_sex, '名')
#年龄
df_person_age = pd.cut(df_person['年龄'].astype('int'),
bins=[0, 30, 40, 50, 100],
labels=["30岁以下", "30-39岁", "40-49岁", "50岁以上"])
df_person_age_count = df_person_age.value_counts()
df_person_age_count = kl_class.sort_list(
df_person_age_count, ["30岁以下", "30-39岁", "40-49岁", "50岁以上"])
text_person_age_count = pdf.series_tex(df_person_age_count, '名')
#工龄
df_person_wage = pd.cut(
df_person['工龄'].astype('int'),
bins=[0, 5, 10, 20, 30, 50],
labels=["5年以下", "5-9年", "10-19年", "20-29年", "30年以上"])
df_person_wage_count = df_person_wage.value_counts()
df_person_wage_count = kl_class.sort_list(
df_person_wage_count, ["5年以下", "5-9年", "10-19年", "20-29年", "30年以上"])
text_person_wage_count = pdf.series_tex(df_person_wage_count, '名')
#文化程度
text_list = []
list_columns = ['民族', '文化程度', '职称']
s_list = [
'男', '女', '党员', '群众', '研究生', '本科', '大专', '高级工程师', '工程师', '助理工程师', '经理',
'副经理', '主管', '安全监察专责(A)', '安全监察专责(B)', '风险体系管理专责(A)', '风险体系管理专责(B)',
'应急管理专责', '班长', '安全监察员'
]
for item in list_columns:
df_person_x = df_person[item].value_counts()
df_person_x = kl_class.sort_list(df_person_x, s_list)
text_person_x = pdf.series_tex(df_person_x, '名')
text_list.append(text_person_x)
text=text+text_person_party\
+text_person_sex+text_person_age_count\
+'工龄：'+text_person_wage_count+''.join(text_list)
df_person = df_person[[
'姓名', '科室', '工作岗位', '兼任职务', '联系电话', '政治面貌', '工号', '性别', '岗位状态'
]]
df_person.fillna('无', inplace=True)
df_person = kl_class.sort_list(df_person, s_list, '工作岗位')
df_person.reset_index(drop=True, inplace=True)
return df_table, text, df_person
