Код кадров на вакансию за последнюю неделю

Задача понята: нужно получить коды кадров (hr_code) для вакансий, размещённых за последнюю неделю, и посчитать количество вакансий по каждому коду.

Краткий план

• Определим период: последняя неделя включает даты за последние 7 дней, включая сегодня.
• Отфильтруем записи по дате размещения.
• Посчитаем количество вакансий для каждого кадрового кода (hr_code).
• Выведем результат в удобном виде (у кого нет hr_code — пропустим).

Ниже — несколько вариантов реализации. Выберите удобный вам язык/инструмент.

1. Вариант на Python с использованием pandas (самый простой и надёжный для табличных данных)

Что понадобится:

• Библиотека pandas.
• Данные в DataFrame с как минимум столбцами: posting_date (дата размещения) и hr_code (код кадров).

Код (пример):

import pandas as pd
from datetime import datetime

def get_last_week_hr_codes(df, date_col='posting_date', hr_col='hr_code'):
    # Приведём даты к типу datetime
    df[date_col] = pd.to_datetime(df[date_col], errors='coerce')
    # Определим диапазон: последние 7 дней (включая сегодня)
    today = pd.Timestamp.today().normalize()
    start = today - pd.Timedelta(days=6)

    # Фильтрация по дате
    mask = (df[date_col] >= start) & (df[date_col] <= today)
    subset = df.loc[mask]

    # Проверяем наличие колонки hr_code
    if hr_col not in subset.columns:
        raise KeyError(f"Колонка '{hr_col}' не найдена в данных.")

    # Группировка и подсчёт
    result = (
        subset
        .dropna(subset=[hr_col])            # исключим записи без hr_code
        .groupby(hr_col)
        .size()
        .reset_index(name='count')
        .sort_values('count', ascending=False)
    )
    return result

# Пример использования
data = [
    {'posting_date': '2026-05-23', 'hr_code': 'A1', 'position': 'Engineer'},
    {'posting_date': '2026-05-26', 'hr_code': 'A2', 'position': 'Analyst'},
    {'posting_date': '2026-05-26', 'hr_code': 'A1', 'position': 'Engineer'},
    {'posting_date': '2026-05-20', 'hr_code': 'A3', 'position': 'Designer'},  # вне диапазона
]

df = pd.DataFrame(data)
print(get_last_week_hr_codes(df))

Вывод будет что-то вроде: hr_code | count A1 | 2 A2 | 1 (A3 исключается, если дата вне диапазона)

2. Вариант без зависимостей (чистый Python)

Если вы не можете использовать pandas, можно посчитать вручную по списку словарей.

from datetime import datetime, date, timedelta

def get_last_week_hr_codes_simple(records, date_col='posting_date', hr_col='hr_code'):
    today = date.today()
    start = today - timedelta(days=6)
    counts = {}

    for rec in records:
        dt_str = rec.get(date_col)
        hr = rec.get(hr_col)
        if not dt_str or not hr:
            continue
        try:
            dt = datetime.strptime(dt_str, '%Y-%m-%d').date()
        except ValueError:
            continue
        if start <= dt <= today:
            counts[hr] = counts.get(hr, 0) + 1

    # Преобразуем в отсортированный список по убыванию
    return sorted(counts.items(), key=lambda kv: kv[1], reverse=True)

# Пример использования
records = [
    {'posting_date': '2026-05-23', 'hr_code': 'A1', 'position': 'Engineer'},
    {'posting_date': '2026-05-26', 'hr_code': 'A2', 'position': 'Analyst'},
    {'posting_date': '2026-05-26', 'hr_code': 'A1', 'position': 'Engineer'},
    {'posting_date': '2026-05-20', 'hr_code': 'A3', 'position': 'Designer'},
]

print(get_last_week_hr_codes_simple(records))

3. SQL-запрос (если данные хранятся в базе данных)

Если данные хранятся в таблице вакансий с колонками posting_date и hr_code:

SELECT hr_code, COUNT(*) AS count
FROM vacancies
WHERE posting_date >= CURRENT_DATE - INTERVAL '6 days'
GROUP BY hr_code
ORDER BY count DESC;

Дополнительные пояснения

• Последняя неделя: период от сегодня минус 6 дней до сегодня включительно. Если нужно иначе (например, "последняя 7-дневная неделя, считая с понедельника"), скажите — адаптирую.
• Обработку дат лучше делать с нормализацией по часовому поясу, чтобы не промахнуться на переходах даты.
• В данных могут встречаться записи без hr_code. В примерах я предлагаю игнорировать такие записи, но можно заменить на отдельную категорию "UNKNOWN" или включить их по желанию.
• Если в ваших данных есть разные форматы дат (например, виде '2026/05/23'), pandas будет справляться после указания соответствующего формата или позволить автоматическое преобразование.

Если хотите, можно адаптировать код под ваш конкрет формат данных и язык/среду разработки. Напишите, какие данные у вас есть (пример CSV/Excel/SQL-схема) — и я дам точный готовый скрипт под вашу задачу.