Python Analytics Playground

Контекст

В продуктовой аналитике большая часть задач начинается одинаково: загрузить выгрузку, почистить, посмотреть распределения и корреляции, показать графики. Этот проект превращает эту рутину в переиспользуемые модули — чтобы каждый новый анализ стартовал не с нуля, а с проверенной заготовки с тестами.

Данные и метод

Структура пакета (src/python_analytics/):

load.py (REQ-002) — загрузка CSV в DataFrame с базовыми проверками.
clean.py (REQ-003) — пропуски, дубликаты, приведение типов.
eda.py (REQ-004) — описательные статистики, пропуски, корреляции.
viz.py (REQ-005) — гистограммы, тепловые карты корреляций.
pipeline.py (REQ-006) — end-to-end пайплайн, запускаемый как python -m python_analytics.

Каждый модуль закрывает отдельное требование из PRD (docs/prd.md), а тесты в tests/ проверяют ровно эти требования — покрытие ≥80%.

Запуск

uv sync --all-groups
uv run pytest                          # тесты + покрытие (≥80%)
uv run python -m python_analytics      # end-to-end пайплайн

Что нашли

Ключевое отличие от разовых аналитических скриптов — структура и проверяемость: модули маленькие и решают одну задачу, требования задокументированы в PRD, а тесты держат покрытие ≥80%. Это делает инструмент «продуктовым»: его можно отдавать коллегам, дорабатывать и не бояться сломать.

Эффект

Переиспользуемость — заготовка для каждого нового анализа вместо скрипта с нуля.
Покрытие ≥80% — изменения не ломают существующее поведение.
PRD-трейсинг — каждый модуль связан с требованием, тесты проверяют требования.
uv-тулинг — воспроизводимая среда без дрейфа зависимостей.

Документация

GitHub → python