Результат прогона линтера

airflow/dags/csv_to_greenplum.py

@@ -8,10 +8,11 @@ from pathlib import Path
 from typing import List
 
 import pandas as pd
-from airflow import DAG
 from airflow.operators.python import PythonOperator
 from helpers.greenplum import get_gp_conn
 
+from airflow import DAG
+
 CSV_DIR = Path(os.getenv("CSV_DIR", "/opt/airflow/data"))
 CSV_ROWS = int(os.getenv("CSV_ROWS", "1000"))
 
@@ -41,32 +42,30 @@ def _generate_csv(rows: int, csv_dir: Path) -> str:
 
     # Генерируем данные в pandas-стиле
     base_order_id = int(datetime.utcnow().timestamp() * 1_000)
-    
+
     # Создаём DataFrame с использованием pandas методов
-    df = pd.DataFrame({
-        # Уникальные order_id начиная с базового значения
-        "order_id": pd.Series(range(base_order_id, base_order_id + rows), dtype="int64"),
-        
-        # Временные метки с интервалом в 1 секунду в обратном порядке
-        "order_ts": pd.date_range(
-            end=datetime.utcnow(),
-            periods=rows,
-            freq="1S"
-        ).sort_values(ascending=False),
-        
-        # Случайные customer_id от 1 до 1000
-        "customer_id": pd.Series(
-            random.choices(range(1, 1001), k=rows),
-            dtype="int64"
-        ),
-        
-        # Случайные суммы от 10 до 500 с округлением до 2 знаков
-        "amount": pd.Series(
-            [round(random.uniform(10, 500), 2) for _ in range(rows)],
-            dtype="float64"
-        )
-    })
-    
+    df = pd.DataFrame(
+        {
+            # Уникальные order_id начиная с базового значения
+            "order_id": pd.Series(
+                range(base_order_id, base_order_id + rows), dtype="int64"
+            ),
+            # Временные метки с интервалом в 1 секунду в обратном порядке
+            "order_ts": pd.date_range(
+                end=datetime.utcnow(), periods=rows, freq="1S"
+            ).sort_values(ascending=False),
+            # Случайные customer_id от 1 до 1000
+            "customer_id": pd.Series(
+                random.choices(range(1, 1001), k=rows), dtype="int64"
+            ),
+            # Случайные суммы от 10 до 500 с округлением до 2 знаков
+            "amount": pd.Series(
+                [round(random.uniform(10, 500), 2) for _ in range(rows)],
+                dtype="float64",
+            ),
+        }
+    )
+
     # Сохраняем CSV без индекса
     df.to_csv(csv_path, index=False)
     logging.info("CSV сохранён: %s (строк: %s)", csv_path, len(df))
@@ -77,7 +76,9 @@ def _preview_csv(csv_path: str, sample_rows: int = 5) -> None:
     """Отображает предпросмотр CSV через pandas (head и describe)."""
     df = pd.read_csv(csv_path)
     df["order_ts"] = pd.to_datetime(df["order_ts"], errors="coerce")
-    logging.info("Первые %s строк:\n%s", sample_rows, df.head(sample_rows).to_string(index=False))
+    logging.info(
+        "Первые %s строк:\n%s", sample_rows, df.head(sample_rows).to_string(index=False)
+    )
     numeric_summary = df.describe(include="number")
     logging.info("Числовая статистика:\n%s", numeric_summary.to_string())
     if df["order_ts"].notna().any():
@@ -94,8 +95,14 @@ def _load_csv(csv_path: str) -> None:
     if not csv_file.exists():
         raise FileNotFoundError(f"CSV не найден: {csv_file}")
 
-    with get_gp_conn() as conn, conn.cursor() as cur, csv_file.open("r", encoding="utf-8") as f:
-        cur.execute("CREATE TEMP TABLE tmp_orders (LIKE public.orders INCLUDING DEFAULTS) ON COMMIT DROP;")
+    with (
+        get_gp_conn() as conn,
+        conn.cursor() as cur,
+        csv_file.open("r", encoding="utf-8") as f,
+    ):
+        cur.execute(
+            "CREATE TEMP TABLE tmp_orders (LIKE public.orders INCLUDING DEFAULTS) ON COMMIT DROP;"
+        )
         cur.copy_expert(
             "COPY tmp_orders (order_id, order_ts, customer_id, amount) FROM STDIN WITH CSV HEADER",
             f,