Глава 12. Стандартная библиотека: `statistics`, `datetime`, `collections`

Задача главы: перестать писать вручную то, что в Python уже есть готовым и проверенным — честную статистику по группе, разбор и сравнение дат, подсчёт распределения статусов.

12.1 `statistics`: `mean()`, `median()`, `stdev()` — когда медиана честнее среднего

Зачем это нужно. Средний балл считался вручную через sum() / len() ещё в главе Числа и вычисления, а потом переехал в собственную функцию calculate_average() в главе Функции. У среднего есть слабое место: один резкий выброс — отчисленный с нулём или, наоборот, случайный стопроцентник — тянет среднее в свою сторону и искажает картину по всей группе. Модуль statistics из стандартной библиотеки Python уже содержит проверенные функции для медианы (значения «посередине», устойчивого к выбросам) и разброса — не нужно ни писать сортировку руками, ни держать в голове разницу между чётной и нечётной длиной списка.

// PYTHON_EXECUTOR (Pyodide Wasm)

import statistics

group_scores = [78, 92, 45, 68, 15, 88, 91]     # 15 — явный выброс на фоне остальных

average_score = statistics.mean(group_scores)     # то же, что sum() / len(), но готовое
median_score = statistics.median(group_scores)    # значение «посередине» отсортированного списка
spread = statistics.stdev(group_scores)           # стандартное отклонение — насколько баллы разбросаны

print(f'Средний балл: {average_score:.1f}')
print(f'Медиана: {median_score:.1f}')
print(f'Разброс (стандартное отклонение): {spread:.1f}')

// Output:

Средний балл: 68.1
Медиана: 78.0
Разброс (стандартное отклонение): 28.7

Разница заметна сразу: средний балл — 68.1, а медиана — 78.0. Шесть из семи баллов в группе выше 68, но единственная пятнадцатка тянет среднее вниз и создаёт впечатление слабой группы. Медиана в этом смысле честнее — на неё влияет положение значения в ряду, а не его абсолютная величина.

⚠️ Подводный камень

Все три функции ожидают хотя бы одно значение. Пустой список баллов — ученик, который не сдал ни одного модуля, тот же сценарий, что уже ронял calculate_average() с ZeroDivisionError в главах 9 и 11, — здесь роняет statistics.mean() с другим именем ошибки.

// PYTHON_EXECUTOR (Pyodide Wasm)

import statistics

empty_scores = []                        # ученик без единой сдачи
average_score = statistics.mean(empty_scores)

// Output:

Traceback (most recent call last):
  File "report.py", line 4, in <module>
    average_score = statistics.mean(empty_scores)
statistics.StatisticsError: mean requires at least one data point

Ошибка	Что значит для Python	Человеческий перевод
`StatisticsError`	«Функции `statistics` нужна хотя бы одна точка данных»	Пустой список баллов — та же ситуация, что раньше давала `ZeroDivisionError` в собственной `calculate_average()`. Защита та же: проверять `len(scores) > 0` до вызова, как уже делали в `try / except` главы Ошибки и исключения.

Правильный паттерн

// PYTHON_EXECUTOR (Pyodide Wasm)

import statistics

def calculate_median(scores):
  if not scores:                # защита из главы 07_Условия — пустой список falsy
      return None
  return statistics.median(scores)

empty_scores = []
print(calculate_median(empty_scores))     # None, а не падение всего скрипта

// Output:

None

Пояснение логики: проверка if not scores отсекает пустой список до того, как он попадёт в statistics.median(), — ровно тот же приём, что защищал calculate_average() в предыдущих главах, просто применённый к новому инструменту.

12.2 `datetime`: разбор дат сдачи, `strptime()` / `strftime()`, разница дат

Зачем это нужно. Дата сдачи в выгрузке — это текст ('16.05.2024'), а не число: сравнить такую строку со сроком «раньше/позже» напрямую нельзя. datetime.strptime() разбирает строку в объект даты по заданному формату, strftime() (или спецификатор : в f-строке) форматирует дату обратно в строку, а разность двух объектов datetime сразу даёт число дней между ними.

// PYTHON_EXECUTOR (Pyodide Wasm)

from datetime import datetime

deadline = datetime.strptime('15.05.2024', '%d.%m.%Y')       # строка → объект datetime
submitted_at = datetime.strptime('18.05.2024', '%d.%m.%Y')

days_late = (submitted_at - deadline).days     # разность datetime — объект timedelta, .days — число дней
print(f'Просрочка: {days_late} дн.')

// Output:

Просрочка: 3 дн.

%d.%m.%Y — код формата: день, месяц, год через точки. Формат в strptime() обязан совпадать с реальной строкой посимвольно — это не подсказка Python, а точное описание, как читать текст.

⚠️ Подводный камень

Первая ловушка — формат в strptime() не совпадает со строкой. Это падает сразу и явно.

// PYTHON_EXECUTOR (Pyodide Wasm)

from datetime import datetime

submitted_at = datetime.strptime('18.05.2024', '%Y-%m-%d')   # формат не подходит к строке

// Output:

Traceback (most recent call last):
  File "report.py", line 3, in <module>
    submitted_at = datetime.strptime('18.05.2024', '%Y-%m-%d')
ValueError: time data '18.05.2024' does not match format '%Y-%m-%d'

Вторая ловушка тише и опаснее: дата вида '01.02.2024' синтаксически подходит под два разных формата сразу — и strptime() разберёт её без единой жалобы в обоих случаях, просто выдав два разных календарных дня.

// PYTHON_EXECUTOR (Pyodide Wasm)

from datetime import datetime

date_text = '01.02.2024'
date_us = datetime.strptime(date_text, '%m.%d.%Y')    # предположили: месяц.день.год
date_ru = datetime.strptime(date_text, '%d.%m.%Y')    # предположили: день.месяц.год

print(date_us)      # 2 января
print(date_ru)       # 1 февраля

// Output:

2024-01-02 00:00:00
2024-02-01 00:00:00

Traceback не появится ни в одном из вариантов — обе строки для Python одинаково валидны, различается только предположение о порядке дня и месяца.

Ошибка	Что значит для Python	Человеческий перевод
`ValueError` (`strptime`)	«Строка не раскладывается по этому формату»	Формат, переданный вторым аргументом, не совпадает с реальным видом строки (перепутаны разделители, порядок или число знаков). Формат нужно сверять со строкой посимвольно.
— (тихая ошибка)	«`strptime()` разбирает строку по ЛЮБОМУ формату, который синтаксически подходит»	`'01.02.2024'` подходит и под «месяц.день.год», и под «день.месяц.год» — Python не может угадать, какой порядок задумал источник данных. Без сверки с документацией выгрузки один и тот же текст тихо превращается в два разных дня.

Правильный паттерн

// PYTHON_EXECUTOR (Pyodide Wasm)

from datetime import datetime

DATE_FORMAT = '%d.%m.%Y'     # формат зафиксирован один раз — по документации системы выгрузки

submitted_at = datetime.strptime('01.02.2024', DATE_FORMAT)
print(f'Дата сдачи: {submitted_at:%d.%m.%Y}')     # тот же формат для разбора и для вывода

// Output:

Дата сдачи: 01.02.2024

Пояснение логики: неоднозначность решают один раз, до чтения любых данных — сверкой с документацией источника выгрузки, а не угадыванием по каждой отдельной строке. Формат стоит держать в одной константе (DATE_FORMAT) и использовать её и при чтении (strptime), и при выводе (спецификатор : в f-строке, который работает как strftime()) — тогда формат меняется в одном месте, а не расползается копиями по коду.

12.3 `collections.Counter`: распределение статусов и `most_common()`

Зачем это нужно. Посчитать, сколько учеников получили «зачёт», а сколько «незачёт», можно вручную через словарь-счётчик и setdefault(), как в главе Словари. Counter из модуля collections делает то же самое в одну строку — принимает любую последовательность и сразу возвращает словарь-подобный объект с количеством каждого значения, плюс метод most_common() для готового рейтинга.

// PYTHON_EXECUTOR (Pyodide Wasm)

from collections import Counter

statuses = ['зачёт', 'незачёт', 'зачёт', 'зачёт', 'незачёт', 'зачёт']

status_counts = Counter(statuses)
print(status_counts)                    # Counter({'зачёт': 4, 'незачёт': 2})
print(status_counts.most_common(1))     # [('зачёт', 4)] — самый частый статус первым

// Output:

Counter({'зачёт': 4, 'незачёт': 2})
[('зачёт', 4)]

most_common() без аргумента вернёт весь список от самого частого к самому редкому; most_common(1) — только первую позицию рейтинга.

⚠️ Подводный камень

Counter принимает любую последовательность и считает её элементы — а элементы строки — это отдельные символы, а не слова. Забытый .split() превращает подсчёт статусов в подсчёт букв.

// PYTHON_EXECUTOR (Pyodide Wasm)

from collections import Counter

raw_statuses = 'зачёт незачёт зачёт'     # забыли .split() — это одна строка, не список статусов

status_counts = Counter(raw_statuses)
print(status_counts)

// Output:

Counter({'ч': 3, 'а': 3, 'е': 3, 'т': 3, ' ': 2, 'з': 2, 'н': 1, 'ы': 1, 'й': 1})

Traceback не появится — код рабочий, Counter честно посчитал именно то, что ему передали: не три статуса, а набор отдельных символов.

Ошибка	Что значит для Python	Человеческий перевод
— (тихая ошибка)	«`Counter()` считает элементы переданной последовательности»	Строка — тоже последовательность, но её элементы — отдельные символы. Без `.split()` подсчёт статусов молча превращается в подсчёт букв — результат выглядит как рабочий словарь, но считает не то.

Правильный паттерн

// PYTHON_EXECUTOR (Pyodide Wasm)

from collections import Counter

raw_statuses = 'зачёт незачёт зачёт'
status_counts = Counter(raw_statuses.split())     # .split() без аргумента — по пробелам, из главы 03
print(status_counts)

// Output:

Counter({'зачёт': 2, 'незачёт': 1})

Пояснение логики: .split() сначала превращает строку в список отдельных слов (приём из главы Строки и f-строки), и только затем Counter считает элементы — уже правильные, целые статусы, а не отдельные буквы.

12.4 Мини-словарик ошибок двенадцатой главы

Ошибка	Что значит для Python	Человеческий перевод
`StatisticsError`	«Функции `statistics` нужна хотя бы одна точка данных»	Пустой список баллов — тот же сценарий, что раньше ронял `calculate_average()` с `ZeroDivisionError`. Проверять `len(scores) > 0` до вызова.
`ValueError` (`strptime`)	«Строка не раскладывается по переданному формату»	Формат-строка не совпадает с реальным видом даты в выгрузке — разделители, порядок или число знаков перепутаны.
— (тихая ошибка)	«`strptime()` разбирает строку по любому синтаксически подходящему формату»	`'01.02.2024'` без ошибок читается и как 2 января, и как 1 февраля — Python не угадывает порядок дня и месяца, это нужно знать заранее из документации источника.
— (тихая ошибка)	«`Counter()` считает элементы переданной последовательности»	Строка без `.split()` считается по символам, а не по словам или статусам — результат похож на рабочий, но неверен по смыслу.

Мини-кейс: сводка по потоку — медиана, разброс, топ статусов, просрочки по датам

Задача: по группе учеников с их баллами и датами сдачи посчитать статус и просрочку каждого, а затем свести всё в общую картину по потоку: медиану и разброс среднего балла, распределение статусов и число просрочивших дедлайн.

// PYTHON_EXECUTOR (Pyodide Wasm)

import statistics
from collections import Counter
from datetime import datetime

# 1. Сбор данных
students = [
  {'name': 'Иванов Иван', 'scores': [78, 92, 45], 'submitted_at': '16.05.2024'},
  {'name': 'Смирнова Ольга', 'scores': [92, 88, 95], 'submitted_at': '14.05.2024'},
  {'name': 'Ким Юрий', 'scores': [50, 55, 40], 'submitted_at': '20.05.2024'},
  {'name': 'Петров Пётр', 'scores': [10, 15, 5], 'submitted_at': '19.05.2024'},
  {'name': 'Сидорова Анна', 'scores': [88, 90, 85], 'submitted_at': '15.05.2024'},
]
DATE_FORMAT = '%d.%m.%Y'
deadline = datetime.strptime('15.05.2024', DATE_FORMAT)
pass_threshold = 60

# 2. Расчёты — переиспользуем функции из главы 09_Функции, добавляем инструменты этой главы
def calculate_average(scores):
  return sum(scores) / len(scores)

def get_status(average_score, pass_threshold=60):
  return 'зачёт' if average_score >= pass_threshold else 'незачёт'

average_scores = []
statuses = []
overdue_count = 0

for student in students:
  average_score = calculate_average(student['scores'])
  status = get_status(average_score, pass_threshold)
  submitted_at = datetime.strptime(student['submitted_at'], DATE_FORMAT)
  days_late = (submitted_at - deadline).days       # отрицательное значение — сдал раньше срока

  student['average_score'] = average_score
  student['status'] = status
  student['days_late'] = days_late

  average_scores.append(average_score)
  statuses.append(status)
  if days_late > 0:
      overdue_count += 1

median_score = statistics.median(average_scores)
spread = statistics.stdev(average_scores)
status_counts = Counter(statuses)
top_status, top_count = status_counts.most_common(1)[0]

# 3. Вывод итогового отчёта
print('--- СВОДКА ПО ПОТОКУ ---')
for student in students:
  late_note = f", просрочка {student['days_late']} дн." if student['days_late'] > 0 else ''
  print(f"{student['name']}: {student['average_score']:.1f} — {student['status']}{late_note}")

print(f'--- Медиана среднего балла: {median_score:.1f} ---')
print(f'--- Разброс (стандартное отклонение): {spread:.1f} ---')
print(f'--- Самый частый статус: {top_status} ({top_count} из {len(students)}) ---')
print(f'--- Просрочили дедлайн: {overdue_count} из {len(students)} ---')

// Output:

--- СВОДКА ПО ПОТОКУ ---
Иванов Иван: 71.7 — зачёт, просрочка 1 дн.
Смирнова Ольга: 91.7 — зачёт
Ким Юрий: 48.3 — незачёт, просрочка 5 дн.
Петров Пётр: 10.0 — незачёт, просрочка 4 дн.
Сидорова Анна: 87.7 — зачёт
--- Медиана среднего балла: 71.7 ---
--- Разброс (стандартное отклонение): 33.6 ---
--- Самый частый статус: зачёт (3 из 5) ---
--- Просрочили дедлайн: 3 из 5 ---

Что получилось: три модуля стандартной библиотеки закрыли ровно те задачи, для которых раньше пришлось бы писать код вручную — statistics дал честную медиану вместо искажённого выбросами среднего, datetime превратил текстовые даты в сравнимые числа дней просрочки, а Counter за одну строку собрал распределение статусов с готовым рейтингом. Ни разбор дат, ни подсчёт статусов, ни расчёт медианы не потребовали новых циклов или условий — только новые инструменты над уже знакомыми списками и словарями.

⚠️ Всё, что построено в этой и предыдущих главах — чтение выгрузки, защита от кривых строк, свои функции, инструменты стандартной библиотеки, — до сих пор жило в отдельных примерах по одной задаче на главу. Собрать всё это в один сквозной скрипт «выгрузка → расчёты → отчёт» — тема последней главы, Итоговый проект Отчёт по успеваемости.

Чек-лист главы

Считаю медиану через statistics.median(), когда в данных возможны выбросы, искажающие среднее
Знаю, что statistics.mean() / median() / stdev() роняют StatisticsError на пустом списке, и проверяю len(scores) > 0 заранее
Разбираю даты из выгрузки через datetime.strptime() с форматом, а не сравниваю строки как текст
Держу формат даты в одной константе (DATE_FORMAT) и использую её и при разборе, и при выводе
Сверяю формат даты с документацией источника выгрузки, а не угадываю порядок дня и месяца по внешнему виду строки
Считаю разницу дат через вычитание datetime и атрибут .days у результата
Считаю распределение категорий через Counter() вместо ручного словаря-счётчика с setdefault()
Передаю в Counter() список слов (.split()), а не строку целиком, если считаю не буквы, а слова или статусы
Достаю лидера распределения через most_common(1), а не сортирую словарь вручную

Дальше: Итоговый проект Отчёт по успеваемости

Глава 12. Стандартная библиотека: `statistics`, `datetime`, `collections`

12.1 statistics: mean(), median(), stdev() — когда медиана честнее среднего

⚠️ Подводный камень

Правильный паттерн

12.2 datetime: разбор дат сдачи, strptime() / strftime(), разница дат

⚠️ Подводный камень

Правильный паттерн

12.3 collections.Counter: распределение статусов и most_common()

⚠️ Подводный камень

Правильный паттерн

12.4 Мини-словарик ошибок двенадцатой главы

Мини-кейс: сводка по потоку — медиана, разброс, топ статусов, просрочки по датам

Чек-лист главы

12.1 `statistics`: `mean()`, `median()`, `stdev()` — когда медиана честнее среднего

12.2 `datetime`: разбор дат сдачи, `strptime()` / `strftime()`, разница дат

12.3 `collections.Counter`: распределение статусов и `most_common()`