«Сортировка по убыванию, потом ВПР, потом сводная, и если не сойдётся — пересчитать вручную.» Знакомая мантра? У меня ушло полгода на осознание, что задача, которую я делаю в Excel за 40 минут, решается в Python за пять. Проблема была не в лени. Проблема была в том, что я боялся кода.
Всё изменилось, когда настройка одного воркфлоу заставила меня поставить VS Code. А потом мне подсунули Copilot — и Excel я открываю теперь только чтобы показать кому-то таблицу.
Почему Excel — это ещё неплохо, но уже тесно
Excel хорош для быстрого взгляда на данные. Накидал формул, построил график, отправил — задача закрыта. Но рано или поздно наступает момент, когда файл весит 50 мегабайт, формулы ссылаются друг на друга так, что изменение одной ломает три других листа, а ты уже не уверен, откуда взялась цифра в ячейке B7.
Это не критика Excel. Это просто его потолок. Когда данных становится больше пары десятков тысяч строк, когда логика обработки требует больше трёх уровней вложенности формул, когда нужно воспроизвести тот же анализ на новых данных через месяц — начинается боль.
Python в теории решает всё это. pandas читает CSV на миллион строк быстрее, чем Excel открывает файл на 50 тысяч. seaborn рисует графики, которые в Excel требуют семи кликов и пары костылей. А главное — скрипт можно запустить повторно. На новых данных. Без разговоров.
Но есть нюанс. Python — это код. А код имеет порог входа.
Copilot: не волшебник, но очень полезный младший коллега
Когда я впервые открыл Copilot, у меня было ошибочное ожидание: сейчас напишу «сделай мне анализ продаж» — и получу готовый отчёт. Не получилось. Copilot не понимает задачу целиком. Он понимает строчку, на которой ты стоишь.
Но вот что он делает хорошо — дописывает код, который я хотел написать, но не помнил синтаксис. Или не знал, что так можно.
Пример. Нужно было из датафрейма с транзакциями вытащить данные за последние 30 дней для каждого клиента. Я написал:
# Для каждого клиента — данные за последние 30 дней
И Copilot дописал:
recent = df[df['date'] >= (df['date'].max() - pd.Timedelta(days=30))]
Я знал, что это возможно. Я не помнил точный синтаксис pd.Timedelta. Без Copilot я бы полез в документацию, потратил минут десять и вернулся. С Copilot просто нажал Tab и поехал дальше.
Это кажется мелочью, но именно из таких мелочей складывается скорость. Меньше остановок — меньше трения — больше желания продолжать.
Три задачи, где Copilot реально помог
Чистка данных. Был CSV с адресами, где часть записей содержала служебные символы, пробелы в неожиданных местах и пустые строки среди данных. Я написал:
# Удалить пустые строки, убрать лишние пробелы и непечатаемые символы
Copilot предложил цепочку strip(), replace(), dropna(). Я не знал, что это можно сделать в три строки.
Сводные таблицы. В Excel groupby делал за секунды. В pandas поначалу гуглил каждый раз. Copilot подсказал:
summary = df.groupby(['region', 'product'])['revenue'].agg(['sum', 'mean', 'count'])
И добавил .reset_index() — про которое я каждый раз забывал, а потом удивлялся, почему groupby возвращает не то, что я ожидал.
Визуализация. Хотел отрисовать распределение по месяцам с разбивкой по категориям. Написал начало:
# График выручки по месяцам, категории — разные цвета
Copilot выдал код с sns.lineplot() и hue='category'. Скопировал, подставил свои колонки — и график, который в Excel я строил минут 15, был готов за пять.
Где Copilot бесполезен или даже мешает
Буду честен. Copilot не понимает контекст твоей задачи. Он видит три-четыре строчки выше и предлагает наиболее вероятное продолжение. Иногда угадывает. Иногда предлагает ерунду.
Особенно плохо работает на стыке бизнес-логики и кода. Когда нужно посчитать что-то специфическое — LTV клиента по когортам или ROI с учётом сезонности — Copilot скорее предложит стандартный пример из документации, чем твою формулу.
Ещё он любит подсовывать устаревший синтаксис. pandas обновился, а Copilot иногда предлагает методы, которые были актуальны пару лет назад. Проверяй, прежде чем копировать.
И главное — Copilot не заменит понимание того, что ты делаешь. Не понимаешь, как работает groupby — скопированный код либо сломается на новых данных, либо, что хуже, сработает, но выдаст неверный результат.
Минимальный путь: от «я боюсь кода» до «я автоматизирую рутину»
Не пытайся перенести всё сразу. Возьми одну повторяющуюся задачу, которую делаешь в Excel каждую неделю. Импорт CSV, базовая фильтрация, простая агрегация, экспорт результата. Это тридцать строк кода. Copilot напишет две трети из них.
Установи VS Code, поставь расширение Copilot, создай файл analysis.py. Не открывай Jupyter Notebook сразу — он добавляет лишний слой абстракции, когда ты ещё не понимаешь, как работает код.
Запускай код после каждой строчки. Это скучно, но так ты видишь, что происходит. Данные не в ячейке над тобой — они внутри памяти, и чтобы их увидеть, нужен print() или переменная в Explorer.
Excel оставь рядом. На первых порах полезно проверять в нём результат: посчитал в pandas — открыл тот же файл в Excel — сравнил цифры. Совпало — хорошо, двигайся дальше.
Стоит ли оно того
Зависит от задач. Раз в месяц смотришь таблицу на 200 строк — вероятно, нет. Excel всё ещё быстрее для разовых простых задач.
Но если каждый понедельник тратишь час на пересборку одного и того же отчёта — это кандидат на автоматизацию. Copilot не сделает всю работу за тебя. Но он снизит порог входа так, что порог вообще перестанет быть проблемой. Ты пишешь код, который раньше казался сложным, потому что теперь половину дописывает машина.
Я теперь открываю Excel для презентаций и быстрых правок. Всё остальное — Python. И да, это изменило мою работу. Не на 10%, но ощутимо.
Попробуй на своей повторяющейся задаче. Одна неделя — и увидишь, нужно ли оно тебе.
