Power BI мне уже не хватало: как я начала изучать Python и подключила DeepSeek в помощь

Знаете, я долго думала, что Python - это не для меня. Ну то есть я вижу данные, я с ними работаю каждый день: Power BI, Power Query, графики, дашборды. Я люблю это. Мне нравится, когда цифры превращаются во что-то наглядное, когда можно посмотреть на график и сразу понять, что происходит. Это моя территория, я здесь как рыба в воде.

Но иногда... иногда Power Query начинает напоминать мне бесконечную уборку. Ты вроде всё уже почистила, всё соединила, а потом приходит новый файл - и опять двадцать пять. Или нужно обработать сотню выгрузок, а ты сидишь и думаешь: «Ну неужели это нельзя как-то автоматизировать?»

И вот тут появился Python. Он у всех на слуху, им пользуются многие компании, и мне тоже захотелось освоить этот инструмент. Не то чтобы я собиралась становиться программистом - просто хотелось понимать, о чём вообще речь, и, может быть, закрыть какие-то свои задачи. Но скажу честно: учить его мне тяжелее, чем человеку с техническим бэкграундом. Я не программист, и иногда ощущение такое, будто я пытаюсь выучить иностранный язык, где все слова знакомые, но смысл ускользает.

Поэтому я начала совмещать обучение с DeepSeek. То есть я читаю что-то, пробую сама, а потом иду в чат и спрашиваю: «Объясни вот это», «А почему тут так», «А что будет, если я сделаю вот так». И знаете, это работает. Не потому, что нейросеть думает за меня, а потому что она помогает перевести сложное на человеческий.

Первые разы были смешные. Я не понимала, куда это вообще вставлять, что такое терминал, какие команды набирать и почему пробел может быть важен. Я копировала ошибку обратно в чат и писала: «Оно не работает». Мне отвечали: «Попробуй вот так». Я пробовала. Иногда работало. Иногда нет.

Но постепенно я поняла одну простую вещь: Python - это не замена Power BI и не замена Power Query. Это скорее ещё одна пара рук. Причём такая, которая не устаёт делать одно и то же сто раз подряд.

Например, у меня была папка с табелями за разные годы. Названия — кто во что горазд: «Табель отдела», «Табель_финал», «Табель_за 12 мес.», «Табель 2023 (2)». И в каждом из них нужно было найти количество больничных дней — те самые, что помечены буквой «Б». Открывать каждый файл руками, искать эти буквы, считать — это, мягко говоря, не то, чем хочется заниматься. Структура файлов отличалась и ее сложно было соединять в Power Query.

Я попросила DeepSeek написать скрипт, и он пробежался по всем файлам за несколько секунд и собрал все больничные в одну таблицу по нужному шаблону.

Или другая история: нужно было переименовать триста файлов, убрав оттуда лишние даты и символы, потому что система их не принимала. Вручную - это ад. С Python - минута. Я запустила скрипт, посмотрела на результат и почувствовала себя немножко волшебницей. Хотя на самом деле просто скопировала команду из чата.

Но вот что важно: у этого есть и обратная сторона.

Python - он не волшебный. Он не знает, что вы хотите, пока вы не объясните. И иногда объяснить - это самое сложное. Нейросеть может написать код, который работает не совсем так, как вы задумали. Или работает, но только на вашем компьютере, а на другом - нет. Или вы обновите какую-нибудь библиотеку, и всё сломается. И придётся опять идти в чат и просить починить.

Ещё момент: Power Query - табличный, а Power BI - визуальный. Ты видишь, что делаешь, ты можешь кликнуть, посмотреть, откатиться. А Python - это текст кода на английском языке. Если ты не понимаешь, что там написано, ты просто доверяешь тому, кто это написал. Иногда это нормально. А иногда хочется понять, почему оно работает именно так. И вот тут начинается обучение - не потому что «надо», а потому что интересно.

И вот что для меня оказалось важным: Python не требует от меня становиться программистом. Я не учу алгоритмы, я не разбираюсь в классах и декораторах (до сих пор не знаю, что это). Я просто говорю: «Мне нужно вот это». Потом дописываю: «И ещё вот это». Потом обнаруживаю, что оказывается ещё и вот это тоже важно. И так постепенно, шаг за шагом, задача складывается в понятную формулировку. Это как с Power Query: ты не пишешь код с нуля, ты просто описываешь шаги. Только здесь шаги описываешь словами, а не кликами.

Python отлично дружит с тем, что я уже делаю. Я могу подготовить данные в Power Query, выгрузить, обработать в Python, вернуть обратно и построить визуализацию в Power BI. Или наоборот. Это не «или-или», это «и то, и другое». И когда ты находишь этот стык, становится реально удобно.

Минусы? Их хватает. Иногда скрипт падает с ошибкой, которую я не понимаю. Иногда нейросеть предлагает решение, которое выглядит логично, но не работает. Иногда я трачу час на то, что в Power Query сделала бы за двадцать минут. Но потом наступает момент, когда нужно обработать пятьсот файлов, и ты понимаешь, что час, потраченный на изучение, окупается за пять минут.

И вот что я поняла для себя: Python - это не про то, чтобы стать «настоящим программистом». Это про то, чтобы убрать из своей работы ту часть, которую не хочется делать руками. Я люблю графики, я люблю визуализацию, я люблю, когда данные оживают. Открывать сотню таблиц и вручную вытаскивать оттуда цифры - это точно не моё любимое занятие. И Python помогает мне делать эти вещи быстрее.

Если вы тоже работаете с данными и иногда чувствуете, что застряли в рутине - попробуйте. Не надо учить всё сразу. Просто откройте чат с DeepSeek (а может и любой другой ИИ) и напишите: «У меня есть папка с файлами, мне нужно...» Дальше будет видно. Может, получится с первого раза. Может, с десятого. Но когда получится - вы поймёте, что это было не так страшно, как казалось.

И да, если скрипт не работает - не паникуйте. Скопируйте красный текст ошибки и отправьте обратно. Это работает почти всегда. А если нет - ну что ж, значит, сегодня не судьба. Завтра обязательно получится!!!