import pandas as pd from app.Models.fox_products_models import ( fox_cmp,fox_descripc,fox_pedidos,fox_leyendas,fox_cmp_aper,fox_a_segmto,fox_a_tiposb,fox_a_linea,fox_a_color,fox_a_materl,fox_a_caract,fox_a_colecn) import csv from django.http import JsonResponse, HttpResponse from django.db.models import Q from decimal import Decimal, ROUND_HALF_UP, ROUND_DOWN def redondear_entero(valor): try: # Redondear al entero más cercano (como Excel: .5 sube, <.5 baja) valor_redondeado = Decimal(valor).quantize(Decimal("1"), rounding=ROUND_HALF_UP) return f"{valor_redondeado:.0f}".replace('.', ',') except: return '' def truncate_entero(valor): try: # Truncar hacia abajo (eliminar decimales sin redondear) valor_truncado = Decimal(valor).quantize(Decimal("1"), rounding=ROUND_DOWN) return f"{valor_truncado:.0f}".replace('.', ',') except: return '' #redondea a 4 decimales: def redondear_decimal(valor): try: valor_redondeado = Decimal(valor).quantize(Decimal("0.0001"), rounding=ROUND_HALF_UP) return f"{valor_redondeado:.4f}".replace('.', ',') except: return '' def redondear_decimal_dos(valor): try: valor_redondeado = Decimal(valor).quantize(Decimal("0.01"), rounding=ROUND_HALF_UP) return f"{valor_redondeado:.2f}".replace('.', ',') except: return '' def redondear_decimal_cuatro(valor): try: # Forzar a string para que Decimal no pierda precisión valor_redondeado = Decimal(str(valor)).quantize(Decimal("0.0001"), rounding=ROUND_HALF_UP) # Convertir a string con 4 decimales y reemplazar '.' por ',' return format(valor_redondeado, ".4f").replace('.', ',') except Exception: return '' def calcular_fact_fac(row): try: if pd.notna(row['unid_fac']) and pd.notna(row['pr_oferta']) and pd.notna(row['coeficie']): resultado = Decimal(str(row['unid_fac'])) * Decimal(str(row['pr_oferta'])) * Decimal(str(row['coeficie'])) return resultado except: return None def report_exporta_data(data): try: camfromyear = int(data.get('camfromyear')) camtoyear = int(data.get('camtoyear')) camfromday = int(data.get('camfromday')) camtoday = int(data.get('camtoday')) inp_codigo = data.get('inp_codigo') inp_division = data.get('inp_division') inp_sub_division = data.get('inp_sub_division') inp_segmento = data.get('inp_segmento') inp_forma_pt = data.get('inp_forma_pt') inp_target = data.get('inp_target') inp_descripcion = data.get('inp_descripcion') inp_categoria = data.get('inp_categoria') inp_procedencia = data.get('inp_procedencia') inp_cod_medida = data.get('inp_cod_medida') inp_cuotas = data.get('inp_cuotas') inp_linea = data.get('inp_linea') inp_sub_linea = data.get('inp_sub_linea') inp_tipo_de_subl = data.get('inp_tipo_de_subl') inp_peso = data.get('inp_peso') inp_cond_compra = data.get('inp_cond_compra') inp_uxp_estimado = data.get('inp_uxp_estimado') inp_uxp_real = data.get('inp_uxp_real') inp_uxp_facturado = data.get('inp_uxp_facturado') inp_alto = data.get('inp_alto') inp_ord_media_est = data.get('inp_ord_media_est') inp_unid_estim = data.get('inp_unid_estim') inp_unid_vendidas = data.get('inp_unid_vendidas') inp_unid_fact = data.get('inp_unid_fact') inp_largo = data.get('inp_largo') inp_ord_media_real = data.get('inp_ord_media_real') inp_tipo_de_oferta = data.get('inp_tipo_de_oferta') inp_consignacion = data.get('inp_consignacion') inp_grupo_fabric = data.get('inp_grupo_fabric') inp_ancho = data.get('inp_ancho') inp_uxp_tag = data.get('inp_uxp_tag') inp_precio_de_oferta = data.get('inp_precio_de_oferta') inp_cabecera = data.get('inp_cabecera') inp_elaboracion = data.get('inp_elaboracion') inp_volumen = data.get('inp_volumen') inp_unid_tag = data.get('inp_unid_tag') inp_precio_normal = data.get('inp_precio_normal') inp_coeficiente = data.get('inp_coeficiente') inp_packaging = data.get('inp_packaging') inp_talle_tamano = data.get('inp_talle_tamano') inp_pedidos_estm = data.get('inp_pedidos_estm') inp_margen_estimado = data.get('inp_margen_estimado') inp_margen_real = data.get('inp_margen_real') inp_envase_do_crit = data.get('inp_envase_do_crit') inp_color = data.get('inp_color') inp_pedidos_reales = data.get('inp_pedidos_reales') inp_costo_estimado = data.get('inp_costo_estimado') inp_costo_real = data.get('inp_costo_real') inp_canal = data.get('inp_canal') inp_material_tela = data.get('inp_material_tela') inp_fact_estimado = data.get('inp_fact_estimado') inp_fact_real = data.get('inp_fact_real') inp_fact_fact = data.get('inp_fact_fact') inp_caracterist = data.get('inp_caracterist') inp_empresa = data.get('inp_empresa') inp_multi_empresa = data.get('inp_multi_empresa') inp_equivalencia_mk = data.get('inp_equivalencia_mk') inp_coleccion = data.get('inp_coleccion') inp_nro_de_pagina = data.get('inp_nro_de_pagina') inp_estado = data.get('inp_estado') inp_punto_de_precio = data.get('inp_punto_de_precio') inp_sexo = data.get('inp_sexo') inp_procedencia = data.get('inp_procedencia') # Cargar todas las leyendas, no solo clave_camp=2 (para usos futuros) df_leyendas = pd.DataFrame(list( fox_leyendas.objects.all().values('clave_camp', 'clave', 'leyenda') )) cmp_fields = ['camp', 'ano'] if inp_codigo: cmp_fields.append('codigon') if inp_uxp_estimado: cmp_fields.append('uxp') if inp_uxp_real: cmp_fields.append('uxp_real') if inp_uxp_facturado: cmp_fields.append('uxp_pre') if inp_uxp_facturado or inp_fact_fact or inp_unid_fact: cmp_fields.append('unid_fac') if inp_tipo_de_oferta: cmp_fields.append('tipo_of') if inp_precio_de_oferta or inp_fact_fact: cmp_fields.append('pr_oferta') if inp_precio_normal: cmp_fields.append('pr_normal') if inp_margen_estimado: cmp_fields.append('mar_est') if inp_margen_real: cmp_fields.append('mar_real') if inp_costo_estimado: cmp_fields.append('costo_est') cmp_fields.append('tipo_est') if inp_costo_real: cmp_fields.append('costo_real') if inp_fact_estimado: cmp_fields.append('fact_est') if inp_fact_real: cmp_fields.append('fact_real') if inp_fact_fact: cmp_fields.append('coeficie') if inp_unid_estim: cmp_fields.append('unid_est') if inp_unid_vendidas: cmp_fields.append('unidades') if inp_coeficiente: cmp_fields.append('coeficie') #replace all fact_fac with cmp_hist.unid_fac * cmp_hist.pr_oferta * cmp_hist.coeficie # 354 222* 119.99 * 0.5293 = 14099,3769 aprox a 2 dígitos queda igual # 889 * 14.99 * 0,7561 = 10075,87 if inp_nro_de_pagina: cmp_fields.append('pagina') cmp_qs = fox_cmp.objects # Filtrado de x campaña a x campaña el reporte de exportación if camfromyear == camtoyear: cmp_qs = cmp_qs.filter( ano=camfromyear, camp__gte=camfromday, camp__lte=camtoday ) else: cmp_qs = cmp_qs.filter( Q(ano=camfromyear, camp__gte=camfromday) | Q(ano__gt=camfromyear, ano__lt=camtoyear) | Q(ano=camtoyear, camp__lte=camtoday) ) cmp_data = list(cmp_qs.values(*cmp_fields)) df_cmp = pd.DataFrame(cmp_data) #datos de cmp #------------------------------Inicio Calculo de Valores de Varibles----------------------------------------------------# # === CARGAR ped_reales y ped_estim desde fox_pedidos === if inp_uxp_facturado or inp_pedidos_estm or inp_pedidos_reales or inp_unid_tag or inp_uxp_tag: print("=== Cargando fox_pedidos ===") pedidos_fields = ['anio', 'campania', 'ped_reales', 'ped_estim','ped_tag'] print("Cargando desde fox_pedidos con campos:", pedidos_fields) df_pedidos = pd.DataFrame(list(fox_pedidos.objects.all().values(*pedidos_fields))) print("Columnas realmente obtenidas:", df_pedidos.columns.tolist()) df_pedidos = df_pedidos[df_pedidos['ped_reales'].notna()] # Crear claves para merge df_cmp['clave'] = df_cmp['ano'].astype(str) + df_cmp['camp'].astype(int).astype(str) df_pedidos['clave'] = df_pedidos['anio'].astype(str) + df_pedidos['campania'].astype(str) df_cmp = pd.merge(df_cmp, df_pedidos[['clave', 'ped_reales', 'ped_estim','ped_tag']], on='clave', how='left') # Calcular UXP_FAC: unid_fac / ped_reales (si ped_reales ≠ 0) df_cmp['UXP_FAC'] = df_cmp.apply( lambda row: row['unid_fac'] / row['ped_reales'] if pd.notna(row['unid_fac']) and pd.notna(row['ped_reales']) and row['ped_reales'] != 0 else None, axis=1 ) df_cmp.rename(columns={ 'ped_estim': 'PED_ESTIM', 'ped_reales': 'PED_REALES', 'ped_tag':'UNID_TAG' }, inplace=True) if 'uxp_pre' in df_cmp.columns: df_cmp.rename(columns={'uxp_pre': 'UXP_TAG'}, inplace=True) #print("Columnas en df_cmp:", df_cmp.columns.tolist()) if 'coeficie' in df_cmp.columns and 'pr_oferta' in df_cmp.columns and 'unid_fac' in df_cmp.columns: df_cmp['FACT_FAC'] = df_cmp.apply(calcular_fact_fac, axis=1) #fin nuevo UXP_FAC if inp_unid_estim and inp_costo_estimado: # === COS_ESTOT = UNID_EST * COSTO_EST (cálculo seguro y vectorizado) === if {'unid_est', 'costo_est'}.issubset(df_cmp.columns): # Convertir a numérico sin romper si vienen strings; NaN si no se puede unid_est_num = pd.to_numeric(df_cmp['unid_est'], errors='coerce') costo_est_num = pd.to_numeric(df_cmp['costo_est'], errors='coerce') # Multiplicar sólo cuando ambos existen df_cmp['COS_ESTOT'] = (unid_est_num * costo_est_num).where( unid_est_num.notna() & costo_est_num.notna(), other=None ) # Redondear y pasar a string con coma decimal df_cmp['COS_ESTOT'] = df_cmp['COS_ESTOT'].apply(redondear_decimal_dos) else: # Si faltan columnas, no hacemos nada (no rompemos el flujo) df_cmp['COS_ESTOT'] = None if inp_costo_real and inp_unid_vendidas: # === COS_REATOT = UNIDADES * COSTO_REAL (cálculo seguro y vectorizado) === if {'unidades', 'costo_real'}.issubset(df_cmp.columns): # Convertir a numérico sin romper si vienen strings; NaN si no se puede unidades_num = pd.to_numeric(df_cmp['unidades'], errors='coerce') costo_real_num = pd.to_numeric(df_cmp['costo_real'], errors='coerce') # Multiplicar sólo cuando ambos existen df_cmp['COS_REATOT'] = (unidades_num * costo_real_num).where( unidades_num.notna() & costo_real_num.notna(), other=None ) # Redondear y pasar a string con coma decimal df_cmp['COS_REATOT'] = df_cmp['COS_REATOT'].apply(redondear_decimal_dos) else: # Si faltan columnas, no hacemos nada (no rompemos el flujo) df_cmp['COS_REATOT'] = None #------------------------------ Fin Calculo de Valores de Varibles------------------------------------- # #------------------------------Inicio Inicio Zona Valores Leyendas-------------------------------------- -# if inp_tipo_de_oferta: df_ley_tipo_of = df_leyendas[df_leyendas['clave_camp'] == 2].copy() df_ley_tipo_of.rename(columns={'clave': 'tipo_of', 'leyenda': 'ley_tipo_of'}, inplace=True) # Unir a df_cmp por tipo_of (puede venir como float si hay nulos) df_cmp['tipo_of'] = df_cmp['tipo_of'].astype(pd.Int64Dtype()) df_ley_tipo_of['tipo_of'] = df_ley_tipo_of['tipo_of'].astype(pd.Int64Dtype()) df_cmp = pd.merge(df_cmp, df_ley_tipo_of, on='tipo_of', how='left') #futuro otras leyendas #df_ley_sublinea = df_leyendas[df_leyendas['clave_camp'] == 5].copy() #df_ley_sublinea.rename(columns={'clave': 'sub_linea', 'leyenda': 'ley_subl'}, inplace=True) #df_desc = pd.merge(df_desc, df_ley_sublinea, on='sub_linea', how='left') #------------------------------Fin Zona Valores Leyendas-------------------------------------------------# descripc_fields = ['codigon'] if inp_descripcion: descripc_fields.append('descrip') if inp_division: descripc_fields.append('division') if inp_sub_division: descripc_fields.append('sub_divi') if inp_segmento: descripc_fields.append('segmento') if inp_forma_pt: descripc_fields.append('forma_pt') if inp_target: descripc_fields.append('target') if inp_categoria: descripc_fields.append('categoria') if inp_sub_linea: descripc_fields.append('sub_linea') if inp_tipo_de_subl: descripc_fields.append('tipo_subl') if inp_linea: descripc_fields.append('linea') # nombre en la base de datos if inp_color: descripc_fields.append('det_color') if inp_talle_tamano: descripc_fields.append('talle') if inp_material_tela: descripc_fields.append('material') if inp_caracterist: descripc_fields.append('caracteris') if inp_coleccion: descripc_fields.append('coleccion') if inp_punto_de_precio: descripc_fields.append('pto_precio') if inp_packaging: descripc_fields.append('packaging') if inp_envase_do_crit: descripc_fields.append('envase_2do') if inp_sexo: descripc_fields.append('sexo') if inp_procedencia: descripc_fields.append('proc') if inp_consignacion: descripc_fields.append('consig') if inp_empresa: descripc_fields.append('empresa') if inp_multi_empresa: descripc_fields.append('mul_emp') if inp_grupo_fabric: descripc_fields.append('grupo_fabr') if inp_elaboracion: descripc_fields.append('elaborac') if inp_canal: descripc_fields.append('canal') if inp_cod_medida: descripc_fields.append('cod_medi') if inp_peso: descripc_fields.append('peso') if inp_alto: descripc_fields.append('alto') if inp_largo: descripc_fields.append('largo') if inp_ancho: descripc_fields.append('ancho') if inp_volumen: descripc_fields.append('volumen') if inp_cuotas: descripc_fields.append('cuotas') if inp_cond_compra: descripc_fields.append('con_compra') codigon_list = df_cmp['codigon'].dropna().unique() descrip_data = fox_descripc.objects.filter(codigon__in=codigon_list).values(*descripc_fields) df_desc = pd.DataFrame(list(descrip_data)) #datos de descripc if inp_sub_division: df_aux_subd = df_leyendas[df_leyendas['clave_camp'] == 7][['clave', 'leyenda']].copy() df_aux_subd.rename(columns={'clave': 'sub_divi', 'leyenda': 'LEYESUBD'}, inplace=True) df_desc = pd.merge(df_desc, df_aux_subd, on='sub_divi', how='left') if inp_categoria: df_ley_categoria = df_leyendas[df_leyendas['clave_camp'] == 3].copy() df_ley_categoria.rename(columns={'clave': 'categoria', 'leyenda': 'LEYENDA'}, inplace=True) df_desc = pd.merge(df_desc, df_ley_categoria, on='categoria', how='left') if inp_sub_linea: df_aux_subl = df_leyendas[df_leyendas['clave_camp'] == 5][['clave', 'leyenda']].copy() df_aux_subl.rename(columns={'clave': 'sub_linea', 'leyenda': 'LEYESUBL'}, inplace=True) df_desc = pd.merge(df_desc, df_aux_subl, on='sub_linea', how='left') if inp_packaging: df_ley_pack = df_leyendas[df_leyendas['clave_camp'] == 19][['clave', 'leyenda']].copy() df_ley_pack.rename(columns={'clave': 'packaging', 'leyenda': 'LEYPACK'}, inplace=True) df_desc = pd.merge(df_desc, df_ley_pack, on='packaging', how='left') if inp_envase_do_crit: df_envase_do = df_leyendas[df_leyendas['clave_camp'] == 20][['clave', 'leyenda']].copy() df_envase_do.rename(columns={'clave': 'envase_2do', 'leyenda': 'LEYENV2'}, inplace=True) df_desc = pd.merge(df_desc, df_envase_do, on='envase_2do', how='left') if inp_punto_de_precio: df_ptopre = df_leyendas[df_leyendas['clave_camp'] == 18][['clave', 'leyenda']].copy() df_ptopre.rename(columns={'clave': 'pto_precio', 'leyenda': 'LEY_PTOPRE'}, inplace=True) df_desc = pd.merge(df_desc, df_ptopre, on='pto_precio', how='left') if inp_sexo: df_sexo = df_leyendas[df_leyendas['clave_camp'] == 16][['clave', 'leyenda']].copy() df_sexo.rename(columns={'clave': 'sexo', 'leyenda': 'LEY_SEXO'}, inplace=True) df_desc = pd.merge(df_desc, df_sexo, on='sexo', how='left') if inp_target: df_target = df_leyendas[df_leyendas['clave_camp'] == 17][['clave', 'leyenda']].copy() df_target.rename(columns={'clave': 'target', 'leyenda': 'LEY_TARG'}, inplace=True) df_desc = pd.merge(df_desc, df_target, on='target', how='left') if inp_procedencia: df_proc = df_leyendas[df_leyendas['clave_camp'] == 6][['clave', 'leyenda']].copy() df_proc.rename(columns={'clave': 'proc', 'leyenda': 'LEYEPRO'}, inplace=True) df_desc = pd.merge(df_desc, df_proc, on='proc', how='left') if inp_grupo_fabric: df_fabr = df_leyendas[df_leyendas['clave_camp'] == 9][['clave', 'leyenda']].copy() df_fabr.rename(columns={'clave': 'grupo_fabr', 'leyenda': 'LEY_FABR'}, inplace=True) df_desc = pd.merge(df_desc, df_fabr, on='grupo_fabr', how='left') if inp_elaboracion: df_elaboracion = df_leyendas[df_leyendas['clave_camp'] == 11][['clave', 'leyenda']].copy() df_elaboracion.rename(columns={'clave': 'elaborac', 'leyenda': 'LEY_ELAB'}, inplace=True) df_desc = pd.merge(df_desc, df_elaboracion, on='elaborac', how='left') if inp_canal: df_canal = df_leyendas[df_leyendas['clave_camp'] == 15][['clave', 'leyenda']].copy() df_canal.rename(columns={'clave': 'canal', 'leyenda': 'LEY_CNL'}, inplace=True) df_desc = pd.merge(df_desc, df_canal, on='canal', how='left') if inp_forma_pt: df_forma_pt = df_leyendas[df_leyendas['clave_camp'] == 12][['clave', 'leyenda']].copy() df_forma_pt.rename(columns={'clave': 'forma_pt', 'leyenda': 'LEY_FOR'}, inplace=True) df_desc = pd.merge(df_desc, df_forma_pt, on='forma_pt', how='left') if inp_cod_medida: df_cod_medida = df_leyendas[df_leyendas['clave_camp'] == 13][['clave', 'leyenda']].copy() df_cod_medida.rename(columns={'clave': 'cod_medi', 'leyenda': 'LEY_MED'}, inplace=True) df_desc = pd.merge(df_desc, df_cod_medida, on='cod_medi', how='left') #------------------------------Inicio Inicio Zona Valores Aper--------------------------------------------# if inp_cabecera: # Cargar datos de la tabla fox_cmp_aper con el campo 'codigon' y 'cabecera' cmp_aper_fields = ['codigon', 'cabecera'] df_cmp_aper = pd.DataFrame(list(fox_cmp_aper.objects.filter(codigon__in=codigon_list).values(*cmp_aper_fields))) # Unir df_cmp con df_cmp_aper usando 'codigon' como clave df_cmp = pd.merge(df_cmp, df_cmp_aper[['codigon', 'cabecera']], on='codigon', how='left') # Ahora puedes acceder a 'cabecera' desde el DataFrame df_cmp #------------------------------Fin Zona Valores Aper----------------------------------------------------# #------------------------------Inicio Inicio Zona Valores Segmento--------------------------------------------# #inp_segmento # if inp_segmento: segmento_list = df_desc['segmento'].dropna().unique() df_segmento_leyendas = pd.DataFrame( list(fox_a_segmto.objects.filter(clave__in=segmento_list).values('clave', 'leyenda')) ) df_segmento_leyendas.rename(columns={'clave': 'segmento', 'leyenda': 'leyenda_segmento'}, inplace=True) # Asegurar el mismo tipo de dato en ambas columnas df_desc['segmento'] = df_desc['segmento'].astype(str) df_segmento_leyendas['segmento'] = df_segmento_leyendas['segmento'].astype(str) # Merge seguro df_desc = pd.merge(df_desc, df_segmento_leyendas, on='segmento', how='left') #------------------------------Fin Zona Valores Segmento----------------------------------------------------# #------------------------------Inicio Inicio Zona Valores fox_a_tiposb--------------------------------------------# #inp_sub_linea # if inp_tipo_de_subl: tipo_subl_list = df_desc['tipo_subl'].dropna().unique() df_tipo_subl_leyendas = pd.DataFrame( list(fox_a_tiposb.objects.filter(clave__in=tipo_subl_list).values('clave', 'leyenda')) ) df_tipo_subl_leyendas.rename(columns={'clave': 'tipo_subl', 'leyenda': 'leyenda_tipo_subl'}, inplace=True) # Asegurar el mismo tipo de dato en ambas columnas df_desc['tipo_subl'] = df_desc['tipo_subl'].astype(str) df_tipo_subl_leyendas['tipo_subl'] = df_tipo_subl_leyendas['tipo_subl'].astype(str) # Merge seguro df_desc = pd.merge(df_desc, df_tipo_subl_leyendas, on='tipo_subl', how='left') #------------------------------Fin Zona Valores fox_a_tiposb----------------------------------------------------# #------------------------------Inicio Inicio Zona Valores fox_a_linea LEY_LIN--------------------------------------------# #inp_sub_linea # if inp_linea: tipo_linea_list = df_desc['linea'].dropna().unique() df_linea_leyendas = pd.DataFrame( list(fox_a_linea.objects.filter(clave__in=tipo_linea_list).values('clave', 'leyenda')) ) df_linea_leyendas.rename(columns={'clave': 'linea', 'leyenda': 'LEY_LIN'}, inplace=True) df_desc['linea'] = df_desc['linea'].astype(str) df_linea_leyendas['linea'] = df_linea_leyendas['linea'].astype(str) df_desc = pd.merge(df_desc, df_linea_leyendas, on='linea', how='left') #------------------------------Fin Zona Valores fox_a_linea LEY_LIN ----------------------------------------------------#f #------------------------------Inicio Zona Valores fox_a_color LEY_COLOR--------------------------------------------# # inp_color if inp_color: color_list = df_desc['det_color'].dropna().unique() df_color_leyendas = pd.DataFrame( list(fox_a_color.objects.filter(clave__in=color_list).values('clave', 'leyenda')) ) df_color_leyendas.rename(columns={'clave': 'det_color', 'leyenda': 'LEY_COLOR'}, inplace=True) df_desc['det_color'] = df_desc['det_color'].astype(str) df_color_leyendas['det_color'] = df_color_leyendas['det_color'].astype(str) df_desc = pd.merge(df_desc, df_color_leyendas, on='det_color', how='left') #------------------------------Fin Zona Valores fox_a_color LEY_COLOR----------------------------------------------------# #------------------------------Inicio Zona Valores fox_a_materl LEY_MATE--------------------------------------------# # inp_material_tela if inp_material_tela: material_list = df_desc['material'].dropna().unique() df_material_leyendas = pd.DataFrame( list(fox_a_materl.objects.filter(clave__in=material_list).values('clave', 'leyenda')) ) df_material_leyendas.rename(columns={'clave': 'material', 'leyenda': 'LEY_MATE'}, inplace=True) # Asegurar que ambos campos sean string df_desc['material'] = df_desc['material'].astype(str) df_material_leyendas['material'] = df_material_leyendas['material'].astype(str) # Merge seguro df_desc = pd.merge(df_desc, df_material_leyendas, on='material', how='left') #------------------------------Fin Zona Valores fox_a_materl LEY_MATE----------------------------------------------------# #------------------------------Inicio Zona Valores fox_a_caract LEY_CARA--------------------------------------------# # inp_caracterist if inp_caracterist: caracteris_list = df_desc['caracteris'].dropna().unique() df_caracterist_leyendas = pd.DataFrame( list(fox_a_caract.objects.filter(clave__in=caracteris_list).values('clave', 'leyenda')) ) df_caracterist_leyendas.rename(columns={'clave': 'caracteris', 'leyenda': 'LEY_CARA'}, inplace=True) # Asegurar que ambos campos sean string df_desc['caracteris'] = df_desc['caracteris'].astype(str) df_caracterist_leyendas['caracteris'] = df_caracterist_leyendas['caracteris'].astype(str) # Merge seguro df_desc = pd.merge(df_desc, df_caracterist_leyendas, on='caracteris', how='left') #------------------------------Fin Zona Valores fox_a_caract LEY_CARA----------------------------------------------------# #------------------------------Inicio Zona Valores fox_a_colecn LEY_COLE--------------------------------------------# # inp_coleccion 7x if inp_coleccion: coleccion_list = df_desc['coleccion'].dropna().unique() df_coleccion_leyendas = pd.DataFrame( list(fox_a_colecn.objects.filter(clave__in=coleccion_list).values('clave', 'leyenda')) ) df_coleccion_leyendas.rename(columns={'clave': 'coleccion', 'leyenda': 'LEY_COLE'}, inplace=True) # Asegurar que ambos campos sean string df_desc['coleccion'] = df_desc['coleccion'].astype(str) df_coleccion_leyendas['coleccion'] = df_coleccion_leyendas['coleccion'].astype(str) # Merge seguro df_desc = pd.merge(df_desc, df_coleccion_leyendas, on='coleccion', how='left') #------------------------------Fin Zona Valores fox_a_colecn LEY_COLE----------------------------------------------------# df_cmp['UXP'] = df_cmp['uxp'].apply(redondear_decimal) df_cmp['UXP_REAL'] = df_cmp['uxp_real'].apply(redondear_decimal) #antes: df_cmp['UXP_FAC'] = df_cmp['uxp_pre'].apply(redondear_decimal) df_cmp['UXP_FAC'] = df_cmp['UXP_FAC'].apply(redondear_decimal) if inp_precio_de_oferta: df_cmp['PR_OFERTA'] = df_cmp['pr_oferta'].apply(redondear_decimal) if inp_precio_normal: df_cmp['PR_NORMAL'] = df_cmp['pr_normal'].apply(redondear_decimal) if inp_margen_estimado: df_cmp['MAR_EST'] = df_cmp['mar_est'].apply(redondear_decimal) if inp_margen_real: df_cmp['MAR_REAL'] = df_cmp['mar_real'].apply(redondear_decimal) if inp_costo_estimado: df_cmp['COSTO_EST'] = df_cmp['costo_est'].apply(redondear_decimal) if inp_costo_real: df_cmp['COSTO_REAL'] = df_cmp['costo_real'].apply(redondear_decimal) if inp_fact_estimado: df_cmp['FACT_EST'] = df_cmp['fact_est'].apply(redondear_decimal_dos) if inp_fact_real: df_cmp['FACT_REAL'] = df_cmp['fact_real'].apply(redondear_decimal_dos) if inp_fact_fact: df_cmp['FACT_FAC'] = df_cmp['FACT_FAC'].apply(redondear_decimal_dos) if inp_unid_estim: df_cmp['UNID_EST'] = df_cmp['unid_est'].apply(redondear_decimal_dos) if inp_unid_vendidas: df_cmp['UNIDADES'] = df_cmp['unidades'].apply(redondear_decimal_dos) if inp_unid_fact: df_cmp['UNID_FAC'] = df_cmp['unid_fac'].apply(redondear_decimal_dos) if inp_coeficiente: df_cmp['COEFICIE'] = df_cmp['coeficie']#.apply(redondear_decimal_dos) #if inp_uxp_tag: # df_cmp['UXP_TAG'] = df_cmp['coeficie']#.apply(redondear_decimal_dos) # JOIN (merge) df_merged = pd.merge(df_cmp, df_desc, on='codigon', how='left') rename_dict = { 'camp': 'CAMP', 'ano': 'ANO', 'codigon': 'CODIGON' } #lo que no esta antes del Merged, se renombra: if inp_descripcion: # Solo renombrar si el campo fue solicitado rename_dict['descrip'] = 'DESCRIP' if inp_division: rename_dict['division'] = 'DIVISION' if inp_sub_division: rename_dict['sub_divi'] = 'SUB_DIVI' if inp_segmento: rename_dict['segmento'] = 'SEGMENTO' rename_dict['leyenda_segmento'] = 'LEY_SEG' if inp_forma_pt: rename_dict['forma_pt'] = 'FORMA_PT' if inp_target: rename_dict['target'] = 'TARGET' if inp_tipo_de_oferta: rename_dict['tipo_of'] = 'TIPO_OF' rename_dict['ley_tipo_of'] = 'LEYEOFE' if inp_costo_estimado: rename_dict['tipo_est'] = 'TIPO_EST' if inp_nro_de_pagina: rename_dict['pagina'] = 'PAGINA' if inp_categoria: rename_dict['categoria'] = 'CATEGORIA' if inp_sub_linea: rename_dict['sub_linea'] = 'SUB_LINEA' if inp_tipo_de_subl: rename_dict['tipo_subl'] = 'TIPO_SUBL' rename_dict['leyenda_tipo_subl'] = 'LEY_TSLIN' if inp_linea: rename_dict['linea'] = 'LINEA' if inp_color: rename_dict['det_color'] = 'DET_COLOR' if inp_talle_tamano: rename_dict['talle'] = 'TALLE' if inp_material_tela: rename_dict['material'] = 'MATERIAL' if inp_caracterist: rename_dict['caracteris'] = 'CARACTERIS' if inp_coleccion: rename_dict['coleccion'] = 'COLECCION' if inp_punto_de_precio: rename_dict['pto_precio'] = 'PTO_PRECIO' if inp_packaging: rename_dict['packaging'] = 'PACKAGING' if inp_envase_do_crit: rename_dict['envase_2do'] = 'ENVASE_2DO' if inp_sexo: rename_dict['sexo'] = 'SEXO' if inp_procedencia: rename_dict['proc'] = 'PROC' if inp_consignacion: rename_dict['consig'] = 'CONSIG' if inp_cabecera: rename_dict['cabecera'] = 'CABECERA' if inp_empresa: rename_dict['empresa'] = 'EMPRESA' if inp_multi_empresa: rename_dict['mul_emp'] = 'MUL_EMP' if inp_grupo_fabric: rename_dict['grupo_fabr'] = 'GRUPO_FABR' if inp_elaboracion: rename_dict['elaborac'] = 'ELABORAC' if inp_canal: rename_dict['canal'] = 'CANAL' if inp_cod_medida: rename_dict['cod_medi'] = 'COD_MEDI' if inp_peso: rename_dict['peso'] = 'PESO' if inp_alto: rename_dict['alto'] = 'ALTO' if inp_largo: rename_dict['largo'] = 'LARGO' if inp_ancho: rename_dict['ancho'] = 'ANCHO' if inp_volumen: rename_dict['volumen'] = 'VOLUMEN' if inp_cuotas: rename_dict['cuotas'] = 'CUOTAS' if inp_cond_compra: rename_dict['con_compra'] = 'CON_COMPRA' df_merged.rename(columns=rename_dict, inplace=True) # Preparar respuesta filename = f'parametros_premios.csv' response = HttpResponse(content_type='text/csv') response['Content-Disposition'] = f'attachment; filename="{filename}"' writer = csv.writer(response, delimiter=';', quoting=csv.QUOTE_MINIMAL) # Cabecera header = ['CAMP', 'ANO'] if inp_codigo: header.append('CODIGON') if inp_descripcion: header.append('DESCRIP') if inp_division: header.append('DIVISION') if inp_uxp_estimado: header.append('UXP') if inp_uxp_real: header.append('UXP_REAL') if inp_uxp_facturado: header.append('UXP_FAC') if inp_tipo_de_oferta: header.append('TIPO_OF') header.append('LEYEOFE') if inp_precio_de_oferta: header.append('PR_OFERTA') if inp_precio_normal: header.append('PR_NORMAL') if inp_margen_estimado: header.append('MAR_EST') if inp_margen_real: header.append('MAR_REAL') if inp_costo_estimado: header.append('COSTO_EST') header.append('TIPO_EST') if inp_costo_real: header.append('COSTO_REAL') if inp_fact_estimado: header.append('FACT_EST') if inp_fact_real: header.append('FACT_REAL') if inp_fact_fact: header.append('FACT_FAC') if inp_fact_fact: header.append('PAGINA') if inp_sub_division: header.append('SUB_DIVI') header.append('LEYESUBD') if inp_categoria: header.append('CATEGORIA') header.append('LEYENDA') if inp_segmento: header.append('SEGMENTO') header.append('LEY_SEG') if inp_sub_linea: header.append('SUB_LINEA') header.append('LEYESUBL') if inp_tipo_de_subl: header.append('TIPO_SUBL') #Encabezado Excel header.append('LEY_TSLIN') if inp_linea: header.append('LINEA') #Encabezado Excel header.append('LEY_LIN') if inp_color: header.append('DET_COLOR') header.append('LEY_COLOR') if inp_talle_tamano: header.append('TALLE') if inp_material_tela: header.append('MATERIAL') header.append('LEY_MATE') if inp_caracterist: header.append('CARACTERIS') header.append('LEY_CARA') if inp_coleccion: header.append('COLECCION') header.append('LEY_COLE') if inp_punto_de_precio: header.append('PTO_PRECIO') header.append('LEY_PTOPRE') if inp_packaging: header.append('PACKAGING') header.append('LEY_PACK') if inp_envase_do_crit: header.append('ENVASE_2DO') header.append('LEY_ENV2') if inp_sexo: header.append('SEXO') header.append('LEY_SEXO') if inp_target: header.append('TARGET') header.append('LEY_TARG') if inp_procedencia: header.append('PROC') header.append('LEYEPRO') if inp_unid_estim: header.append('UNID_EST') if inp_unid_vendidas: header.append('UNIDADES') if inp_unid_fact: header.append('UNID_FAC') if inp_consignacion: header.append('CONSIG') if inp_cabecera: header.append('CABECERA') if inp_coeficiente: header.append('COEFICIE') if inp_empresa: header.append('EMPRESA') if inp_multi_empresa: header.append('MUL_EMP') if inp_grupo_fabric: header.append('GRUPO_FABR') header.append('LEY_FABR') if inp_elaboracion: header.append('ELABORAC') header.append('LEY_ELAB') if inp_canal: header.append('CANAL') header.append('LEY_CNL') if inp_forma_pt: header.append('FORMA PT') header.append('LEY_FOR') if inp_cod_medida: header.append('COD_MEDI') header.append('LEY_MED') if inp_peso: header.append('PESO') if inp_alto: header.append('ALTO') if inp_largo: header.append('LARGO') if inp_ancho: header.append('ANCHO') if inp_volumen: header.append('VOLUMEN') if inp_cuotas: header.append('CUOTAS') if inp_cond_compra: header.append('CON_COMPRA') if inp_ord_media_est: header.append('OM_EST') if inp_ord_media_real: header.append('OM_REAL') if inp_uxp_tag: header.append('UXP_TAG') if inp_unid_tag: header.append('UNID_TAG') if inp_pedidos_estm: header.append('PED_ESTIM') if inp_pedidos_reales: header.append('PED_REALES') if inp_unid_estim and inp_costo_estimado: header.append('COS_ESTOT') if inp_costo_real and inp_unid_vendidas: header.append('COS_REATOT') # row = [ # 'CAMP', listo # 'ANO', listo # 'CODIGON', listo # 'DESCRIP', listo # 'DIVISION', listo # 'UXP', listo # 'UXP_REAL', listo # 'UXP_FAC', listo # 'TIPO_OF', listo # 'LEYEOFE', listo # 'PR_OFERTA', listo # 'PR_NORMAL', listo # 'MAR_EST', listo # 'MAR_REAL', listo # 'COSTO_EST', listo # 'TIPO_EST', listo # 'COSTO_REAL', listo # 'FACT_EST', listo # 'FACT_REAL', listo # 'FACT_FAC', listo # 'PAGINA', listo # 'SUB_DIVI', listo # 'LEYESUBD', listo # 'CATEGORIA', listo # 'LEYENDA', listo # 'SEGMENTO', listo # 'LEY_SEG', -------> Falta tabla L_SEGMTO toma el dato del campo ---> ley_seg || LISTO # 'SUB_LINEA', listo # 'LEYESUBL', listo # 'TIPO_SUBL', listo # 'LEY_TSLIN',-------> Falta tabla L_TIPOSB toma el dato del campo ---> LEY_TSLIN # 'LINEA', listo # 'LEY_LIN', -------> Falta tabla l_linea toma el dato del campo ---> leyenda se renombra ley_lin LEYENDAS.CLAVE_CAMP = 3 # 'DET_COLOR', listo # 'LEY_COLOR',-------> Falta tabla L_COLOR toma el dato del campo ---> Alias de LEYENDAS.leyenda donde clave_camp=6 # 'TALLE', listo # 'MATERIAL', listo # 'LEY_MATE', ------->Falta tabla L_MATE toma el dato del campo LEY_MATE ---> Alias de LEYENDAS.leyenda donde clave_camp=10 # 'CARACTERIS',listo # 'LEY_CARA', ------->Falta tabla L_CARAC toma el dato del campo LEY_CARAC ---> Alias de LEYENDAS.leyenda donde clave_camp=15 # 'COLECCION',listo # 'LEY_COLE',------->Falta tabla L_COLE toma el dato del campo LEY_COLE ---> Alias de LEYENDAS.leyenda donde clave_camp=8 # 'PTO_PRECIO', listo # 'LEY_PTOPRE',------->Falta tabla L_PTOPRE toma el dato del campo LEY_PTOPRE ---> Alias de LEYENDAS.leyenda donde clave_camp=14 # 'PACKAGING',listo # 'LEY_PACK',listo # 'ENVASE_2DO', listo # 'LEY_ENV2',listo # 'SEXO',listo # 'LEY_SEXO', ------->Falta tabla L_SEXO toma el dato del campo LEY_SEXO ---> Alias de LEYENDAS.LEYENDA donde clave_camp=5 # 'TARGET',listo # 'LEY_TARG', ------->Falta tabla L_TARG toma el dato del campo LEY_SEXO ---> Alias de LEYENDAS.LEYENDA donde clave_camp=11 # 'PROC', listo # 'LEYEPRO', ------->Falta tabla L_EPROV toma el dato del campo LEYEPRO ---> Alias de LEYENDAS.LEYENDA donde clave_camp=6 # 'UNID_EST',listo # 'UNIDADES' listo # 'UNID_FAC',listo # 'CONSIG', listo # 'CABECERA', listo # 'COEFICIE', listo # 'EMPRESA',listo # 'MUL_EMP',listo # 'CODIGO_MK',------->Falta tabla GCMK toma el dato del campo codigo_mk # 'GRUPO_FABR',listo # 'LEY_FABR',-------> Falta tabla L_FABRICA toma el dato del campo LEY_FABR # 'ELABORAC',listo # 'LEY_ELAB',-------> Falta tabla L_ELABORAC toma el dato del campo LEY_ELAB # 'ESTADO', -------> Falta tabla L_ESTADO toma el dato del campo LEY_ESTAD # 'CMP_ESTA', -------> Falta tabla L_ESTADO toma el dato del campo LEY_ESTAD agregando la condición CAMPO = 14 AND CLAVE = DESCRIPC.ESTADO. # 'CANAL', listo # 'LEY_CNL', -------> Falta tabla L_CANAL toma el dato del campo LEY_CNL # 'FORMA_PT',listo # 'LEY_FOR', -------> Falta tabla L_FORMULA toma el dato del campo LEY_FOR. # 'COD_MEDI',listo # 'LEY_MED',-------> Falta tabla L_MEDIDA toma el dato del campo LEY_MED. # 'PESO',listo # 'ALTO',listo # 'LARGO',listo # 'ANCHO',listo # 'VOLUMEN',listo # 'CUOTAS',listo # 'CON_COMPRA',listo # 'OM_EST',listo # 'OM_REAL',listo # 'UXP_TAG',listo # 'UNID_TAG',listo # 'PED_EST',listo # 'PED_REAL',list # 'COS_ESTOT', listo # 'COS_REATOT', # ] writer.writerow(header) if 'CODIGON' in df_merged.columns: df_merged.sort_values(by=['CODIGON', 'CAMP'], ascending=[True, True], inplace=True) print("Columnas reales en df_cmp:", df_cmp.columns.tolist()) # Filas for _, row in df_merged.iterrows(): fila = [] fila.append(int(row['CAMP']) if pd.notna(row['CAMP']) else '') fila.append(int(row['ANO']) if pd.notna(row['ANO']) else '') if inp_codigo: fila.append(int(row['CODIGON']) if pd.notna(row['CODIGON']) else '') if inp_descripcion: fila.append(str(row['DESCRIP']) if pd.notna(row['DESCRIP']) else '') if inp_division: fila.append(str(row['DIVISION']) if pd.notna(row['DIVISION']) else '') if inp_uxp_estimado: fila.append(row['UXP'] if pd.notna(row['UXP']) else '') if inp_uxp_real: fila.append(row['UXP_REAL'] if pd.notna(row['UXP_REAL']) else '') if inp_uxp_facturado: fila.append(row['UXP_FAC'] if pd.notna(row['UXP_FAC']) else '') if inp_tipo_de_oferta: fila.append(str(row['TIPO_OF']) if pd.notna(row['TIPO_OF']) else '') fila.append(str(row['LEYEOFE']) if pd.notna(row['LEYEOFE']) else '') if inp_precio_de_oferta: fila.append(str(row['PR_OFERTA']) if pd.notna(row['PR_OFERTA']) else '') if inp_precio_normal: fila.append(str(row['PR_NORMAL']) if pd.notna(row['PR_NORMAL']) else '') if inp_margen_estimado: fila.append(row['MAR_EST'] if pd.notna(row['MAR_EST']) else '') if inp_margen_real: fila.append(row['MAR_REAL'] if pd.notna(row['MAR_REAL']) else '') if inp_costo_estimado: fila.append(row['COSTO_EST'] if pd.notna(row['COSTO_EST']) else '') fila.append(row['TIPO_EST'] if pd.notna(row['TIPO_EST']) else '') if inp_costo_real: fila.append(row['COSTO_REAL'] if pd.notna(row['COSTO_REAL']) else '') if inp_fact_estimado: fila.append(row['FACT_EST'] if pd.notna(row['FACT_EST']) else '') if inp_fact_real: fila.append(row['FACT_REAL'] if pd.notna(row['FACT_REAL']) else '') if inp_fact_fact: fila.append(row['FACT_FAC'] if pd.notna(row['FACT_FAC']) else '') if inp_fact_fact: fila.append(row['PAGINA'] if pd.notna(row['PAGINA']) else '') if inp_sub_division: fila.append(str(row['SUB_DIVI']) if pd.notna(row['SUB_DIVI']) else '') fila.append(str(row['LEYESUBD']) if pd.notna(row['LEYESUBD']) else '') if inp_categoria: fila.append(str(row['CATEGORIA']) if pd.notna(row['CATEGORIA']) else '') fila.append(str(row['LEYENDA']) if pd.notna(row['LEYENDA']) else '') if inp_segmento: fila.append(str(row['SEGMENTO']) if pd.notna(row['SEGMENTO']) else '') fila.append(str(row['LEY_SEG']) if pd.notna(row['LEY_SEG']) else '') if inp_sub_linea: fila.append(str(row['SUB_LINEA']) if pd.notna(row['SUB_LINEA']) else '') fila.append(str(row['LEYESUBL']) if pd.notna(row['LEYESUBL']) else '') if inp_tipo_de_subl: fila.append(str(row['TIPO_SUBL']) if pd.notna(row['TIPO_SUBL']) else '') fila.append(str(row['LEY_TSLIN']) if pd.notna(row['LEY_TSLIN']) else '') if inp_linea: fila.append(str(row['LINEA']) if pd.notna(row['LINEA']) else '') fila.append(str(row['LEY_LIN']) if pd.notna(row['LEY_LIN']) else '') if inp_color: fila.append(str(row['DET_COLOR']) if pd.notna(row['DET_COLOR']) else '') fila.append(str(row['LEY_COLOR']) if pd.notna(row['LEY_COLOR']) else '') if inp_talle_tamano: fila.append(str(row['TALLE']) if pd.notna(row['TALLE']) else '') if inp_material_tela: fila.append(str(row['MATERIAL']) if pd.notna(row['MATERIAL']) else '') fila.append(str(row['LEY_MATE']) if pd.notna(row['LEY_MATE']) else '') if inp_caracterist: fila.append(str(row['CARACTERIS']) if pd.notna(row['CARACTERIS']) else '') fila.append(str(row['LEY_CARA']) if pd.notna(row['LEY_CARA']) else '') if inp_coleccion: fila.append(str(row['COLECCION']) if pd.notna(row['COLECCION']) else '') fila.append(str(row['LEY_COLE']) if pd.notna(row['LEY_COLE']) else '') if inp_punto_de_precio: fila.append(str(row['PTO_PRECIO']) if pd.notna(row['PTO_PRECIO']) else '') fila.append(str(row['LEY_PTOPRE']) if pd.notna(row['LEY_PTOPRE']) else '') if inp_packaging: fila.append(str(row['PACKAGING']) if pd.notna(row['PACKAGING']) else '') fila.append(str(row['LEYPACK']) if pd.notna(row['LEYPACK']) else '') if inp_envase_do_crit: fila.append(str(row['ENVASE_2DO']) if pd.notna(row['ENVASE_2DO']) else '') fila.append(str(row['LEYENV2']) if pd.notna(row['LEYENV2']) else '') if inp_sexo: fila.append(str(row['SEXO']) if pd.notna(row['SEXO']) else '') fila.append(str(row['LEY_SEXO']) if pd.notna(row['LEY_SEXO']) else '') if inp_target: fila.append(str(row['TARGET']) if pd.notna(row['TARGET']) else '') fila.append(str(row['LEY_TARG']) if pd.notna(row['LEY_TARG']) else '') if inp_procedencia: fila.append(str(row['PROC']) if pd.notna(row['PROC']) else '') fila.append(str(row['LEYEPRO']) if pd.notna(row['LEYEPRO']) else '') if inp_unid_estim: fila.append(row['UNID_EST'] if pd.notna(row['UNID_EST']) else '') if inp_unid_vendidas: fila.append(row['UNIDADES'] if pd.notna(row['UNIDADES']) else '') if inp_unid_fact: fila.append(row['UNID_FAC'] if pd.notna(row['UNID_FAC']) else '') if inp_consignacion: fila.append(row['CONSIG'] if pd.notna(row['CONSIG']) else '') if inp_cabecera: fila.append(row['CABECERA'] if pd.notna(row['CABECERA']) else '') if inp_coeficiente: fila.append(row['COEFICIE'] if pd.notna(row['COEFICIE']) else '') if inp_empresa: fila.append(row['EMPRESA'] if pd.notna(row['EMPRESA']) else '') if inp_multi_empresa: fila.append(row['MUL_EMP'] if pd.notna(row['MUL_EMP']) else '') if inp_grupo_fabric: fila.append(row['GRUPO_FABR'] if pd.notna(row['GRUPO_FABR']) else '') fila.append(row['LEY_FABR'] if pd.notna(row['LEY_FABR']) else '') if inp_elaboracion: fila.append(row['ELABORAC'] if pd.notna(row['ELABORAC']) else '') fila.append(row['LEY_ELAB'] if pd.notna(row['LEY_ELAB']) else '') if inp_canal: fila.append(row['CANAL'] if pd.notna(row['CANAL']) else '') fila.append(row['LEY_CNL'] if pd.notna(row['LEY_CNL']) else '') if inp_forma_pt: fila.append(str(row['FORMA_PT']) if pd.notna(row['FORMA_PT']) else '') fila.append(str(row['LEY_FOR']) if pd.notna(row['LEY_FOR']) else '') if inp_cod_medida: fila.append(row['COD_MEDI'] if pd.notna(row['COD_MEDI']) else '') fila.append(row['LEY_MED'] if pd.notna(row['LEY_MED']) else '') if inp_peso: fila.append(row['PESO'] if pd.notna(row['PESO']) else '') if inp_alto: fila.append(row['ALTO'] if pd.notna(row['ALTO']) else '') if inp_largo: fila.append(row['LARGO'] if pd.notna(row['LARGO']) else '') if inp_ancho: fila.append(row['ANCHO'] if pd.notna(row['ANCHO']) else '') if inp_volumen: fila.append(row['VOLUMEN'] if pd.notna(row['VOLUMEN']) else '') if inp_cuotas: fila.append(row['CUOTAS'] if pd.notna(row['CUOTAS']) else '') if inp_cond_compra: fila.append(row['CON_COMPRA'] if pd.notna(row['CON_COMPRA']) else '') # OM_EST = FACT_EST / PED_EST # OM_EST = FACT_EST / PED_EST # OM_EST = FACT_EST / PED_EST # OM_EST = FACT_EST / PED_EST if inp_ord_media_est: try: fact_est = float(str(row['FACT_EST']).replace(',', '.')) ped_est = float(row['PED_ESTIM']) if ped_est != 0: om_est = fact_est / ped_est else: om_est = '' except (ValueError, TypeError): om_est = '' fila.append(redondear_decimal_dos(om_est)) # OM_REAL = FACT_REAL / PED_REAL if inp_ord_media_real: try: fact_real = float(str(row['FACT_REAL']).replace(',', '.')) ped_real = float(row['PED_REALES']) if ped_real != 0: om_real = fact_real / ped_real else: om_real = '' except (ValueError, TypeError): om_real = '' fila.append(redondear_decimal_dos(om_real)) if inp_uxp_tag: fila.append(str(row['UXP_TAG']) if pd.notna(row['UXP_TAG']) else '') #if inp_unid_tag: #fila.append(str(row['UNID_TAG']) if pd.notna(row['UNID_TAG']) else '') #if XXXX: # fila.append(row[''] if pd.notna(row['']) else '') if inp_unid_tag: try: # Convertir las columnas a float (asegurarse de que sean numéricas) unid_tag = float(str(row['UNID_TAG']).replace(',', '.')) if pd.notna(row['UNID_TAG']) else 0 uxp_tag = float(str(row['UXP_TAG']).replace(',', '.')) if pd.notna(row['UXP_TAG']) else 0 # Realizar la multiplicación unid_tag_resultado = unid_tag * uxp_tag # Redondear a 4 decimales con coma decimal unid_tag_redondeado = redondear_decimal_cuatro(unid_tag_resultado) # Verificar si la multiplicación es válida y agregar el resultado fila.append(unid_tag_redondeado if unid_tag_redondeado else '') except (ValueError, TypeError): # Si ocurre un error al convertir o multiplicar, asignar un valor vacío fila.append('') # 2 2017 pedidos tag *27289 3291,0534 el orden es asi, necesito hacer el truncate de la funcion de redondeo porque viendo este ejemplo me lo redondeo a 3292 print(redondear_decimal_cuatro(123.456789)) # "123,4568" print(redondear_decimal_cuatro(10.5)) if inp_pedidos_estm: fila.append(str(row['PED_ESTIM']) if pd.notna(row['PED_ESTIM']) else '') if inp_pedidos_reales: fila.append(str(row['PED_REALES']) if pd.notna(row['PED_REALES']) else '') if inp_unid_estim and inp_costo_estimado: fila.append(str(row['COS_ESTOT']) if pd.notna(row['COS_ESTOT']) else '') if inp_costo_real and inp_unid_vendidas: fila.append(str(row['COS_REATOT']) if pd.notna(row['COS_REATOT']) else '') writer.writerow(fila) return response except Exception as e: return JsonResponse({'error': f'Error interno al generar el archivo: {str(e)}'}, status=500)