Novy format exportu "Lidé, které jsem podpořil"

Jak to funguje? Exporty
1

Ahoj
dekuji, za rozsireni exportu. Jsem rad za nove udaje, takze poslete pochvalu do developmentu.
Jaky je vyznam techto poli:

  • Zaplaceno z poplatku % -
  • Investorský poplatek v Kč - ja mam vsude 0, ocekaval bych, ze by to melo byt, kolik uz jsem zaplatil na poplatcich za danou pujcku
  • Aktuálně zaplaceno splátek - tomu rozumim, pouze me zajima, kdyz clovek zaplati 2x v jednom mesici, pak Aktuálně zaplaceno splátek se zvetsi o 1 nebo o 2?
    Diky
2

Krásný den, @vvvlc,

moc se omlouvám za odpověď po tolika dnech, bohužel se má odpověď neuložila.

Zaplaceno z poplatku % - toto čísla udává procentuální výši uhrazeného poplatku ze strany klienta, z tohoto sloupce tak lze predikovat 1. plnou splátku, kde bude částka rozdělena již jen na úrok a jistinu.

Zaplacený investorský poplatek v Kč - zde se ukazuje pouze skutečně to, co bylo strženo z peněženky, takže se suma aktualizuje jednou měsíčně. I proto jsme přidali Nezaúčtovaný investorský poplatek, kde ukazujeme fakticky jeho očekávanou výši. V tomto sloupci se suma ukazuje po Vyrovnání vlastnictví.

Aktuálně zaplaceno splátek - odpovídá splátkovému kalendáři. Zde záleží, zda klient poslal předčasnou splátku v plné výši splátkového předpisu a zároveň již po datu splátky (kl. má splátku 20. - první řádnou poslal 10., další řádnou 25. ve stejném měsíci) Pokud ano, navýší se o dvě. Pokud ne, jako investor dostanete svou část peněz, ale počet splátek zůstává stejný.

Krásný večer,

Zebra-Iva

3

Ivo, já vím, že pro nás děláte hodně a velmi si toho vážím. :wink: Ovšem v poslední době se formát exportu změnil několikrát (nové sloupce uprostřed). Docela mi to činí problémy; je možné všechny změny seskupovat a měnit najednou? (Já si v excelu s daty nehraji, na to máme jiné nástroje, a tyto změny mi to automatické zpracování statistik ničí, pracně pak dohledávám, jak se pořadí sloupců změnilo.)

Pro data scientisty, co používají pandas, zde je definice (ke dni 2. 12. 2019), ať neztrácíte čas:

df = pd.read_excel(
    filename,
    header=None,
    skiprows=3,
    parse_dates=[6, 7, 36, 37, 38, 40, 46]
)

df.columns = [
    "id_klienta",
    "prezdivka",
    "typ_investice",
    "nazev",
    "stav",
    "id_pribehu",
    "dt_zafinancovani",
    "dt_vyporadani",
    "vyse_uveru",
    "celkova_vyse_splatky",
    "vyse_splatky",
    "zaplaceno_z_poplatku_pct",
    "zbyva_splatek",
    "pojisteno",
    "odklad_splatky",
    "castka_puvodni_investice",
    "castka_investovano_mnou",
    "castka_z_toho_vyuzite_rezervace",
    "castka_vratilo_se_mi",
    "castka_zbyva",
    "castka_prodano_za",
    "castka_castka_poplatek_za_prodej",
    "castka_po_splatnosti",
    "urok_kc_ocekavany",
    "urok_kc_zaplaceny",
    "urok_kc_zbyva",
    "urok_kc_po_splatnosti",
    "zaplacena_pokuta",
    "urok_v_pct",
    "investorsky_poplatek_v_pct",
    "zaplaceny_investorsky_poplatek_v_kc",
    "nezauctovany_investorsky_poplatek_v_kc",
    "soucasny_pocet_splatek",
    "puvodni_pocet_splatek",
    "aktualne_zaplaceno_splatek",
    "zbyvajici_pocet_splatek_pri_nakupu_na_smp",
    "dalsi_platba_dt",
    "posledni_prijata_platba_dt",
    "koupeno_na_smp_dt",
    "nakupni_cena",
    "prodano_na_smp_dt",
    "nejdele_dni_po_splatnosti",
    "dni_od_posledniho_problemu",
    "prodatelne",
    "vyse_slevy_v_pct",
    "prodejni_castka_po_sleve",
    "prodej_bez_poplatku_od_dt",
    "prodano_za_po_odecteni_poplatku",
    "ztraceno_pct"
    ]

df["pojisteno"] = df["pojisteno"].map({
    "Ano": True,
    "Ne": False,
    "V minulosti": False,
    })
df["odklad_splatky"] = df["odklad_splatky"].map({
    "Ano": True,
    "Ne": False,
    })
df["prodatelne"] = df["prodatelne"].map({
    "Ano": True,
    "Ne": False,
    })

df["smp"] = ~pd.isnull(df["koupeno_na_smp_dt"])
2 Likes
4

Hezký den, @WI70ZZow,

prvně moc děkuji, cením si toho :slight_smile:

Na toto téma s kolegy vydatně diskutuji, abychom dodávali změny s oznámením, rozumím, že to investorům i Stonky může působit potíže. Pokusím se to napravit.

Mějte krásný den,

Zebra-Iva

1 Like