DEV Community

Skovhugger Lund
Skovhugger Lund

Posted on

Fra have til data: Organisér træfældningsopgaver med CSV og Python

En træfældningsopgave begynder ofte med en enkel besked:

"Vi har et stort træ i haven. Kan I komme og se på det?"

Men hvad sker der, når virksomheden får mange henvendelser?

Nogle handler om almindelig træfældning. Andre drejer sig om beskæring, stormskader eller stubfræsning. Oplysningerne kan hurtigt ende i forskellige e-mails, noter og regneark.

Her kan selv et lille digitalt system gøre en forskel.

I denne guide bygger vi et enkelt eksempel med CSV og Python. Målet er ikke at erstatte professionel planlægning eller vurdering af træer. Vi vil blot vise, hvordan data kan organiseres, så administrative opgaver bliver lettere at overskue.

Du behøver ingen database eller avanceret software for at komme i gang.

1. Hvilke oplysninger er nyttige?

Forestil dig en mindre virksomhed, der arbejder med træfældning i Kolding.

Når en kunde kontakter virksomheden, er det nyttigt at registrere, hvilken type opgave henvendelsen handler om.

Et simpelt system kunne indeholde disse felter:

Felt Formål
opgave_id Unikt nummer for opgaven
omraade Område eller by
ydelse Type af arbejde
adgang Foreløbig beskrivelse af adgang
status Administrativ status
vurdering Om faglig vurdering mangler

Det er vigtigt at skelne mellem oplysninger fra kunden og en egentlig faglig vurdering.

En kunde kan eksempelvis skrive, at et træ ser ustabilt ud. Det betyder ikke, at systemet må registrere træet som farligt.

Det kræver en konkret undersøgelse af kvalificerede fagfolk.

2. Opret en CSV-fil

CSV er et enkelt tekstformat, der kan bruges til at gemme tabeldata.

Vi kalder filen traeopgaver.csv.

Eksemplet bruger semikolon som separator. Det er praktisk i mange danske regnearksmiljøer.

opgave_id;omraade;ydelse;adgang;status;vurdering
101;Kolding;Træfældning;Begrænset;Ny;Mangler
102;Fredericia;Beskæring;God;Planlagt;Udført
103;Kolding;Stubfræsning;Begrænset;Ny;Mangler
104;Vejle;Træfældning;God;Afsluttet;Udført
105;Kolding;Træpleje;Ukendt;Ny;Mangler
Enter fullscreen mode Exit fullscreen mode

Alle poster er opdigtede eksempeldata. De beskriver ikke faktiske kunder eller opgaver hos Skovhugger Lund.

Fordelen ved denne struktur er, at oplysningerne kan læses af både mennesker og programmer.

Man kan åbne filen i et regneark eller behandle den med Python.

3. Læs data med Python

Python har et indbygget CSV-modul.

Derfor behøver vi ikke installere ekstra pakker.

Opret filen analyse.py i samme mappe som CSV-filen.

import csv

with open(
    "traeopgaver.csv",
    "r",
    encoding="utf-8-sig",
    newline=""
) as fil:
    reader = csv.DictReader(fil, delimiter=";")
    opgaver = list(reader)

for opgave in opgaver:
    print(
        opgave["opgave_id"],
        opgave["omraade"],
        opgave["ydelse"],
        opgave["status"]
    )
Enter fullscreen mode Exit fullscreen mode

Koden gør tre ting:

  1. Åbner CSV-filen.
  2. Læser hver række som en dictionary.
  3. Udskriver udvalgte oplysninger.

DictReader gør det muligt at bruge kolonnenavne i stedet for kolonnenumre.

Det gør koden mere læsbar.

utf-8-sig hjælper også med at håndtere filer, der er gemt med UTF-8 BOM fra visse regnearksprogrammer.

4. Find opgaver, der mangler vurdering

Det næste skridt er at få overblik over, hvilke henvendelser der endnu ikke er gennemgået.

mangler_vurdering = [
    opgave
    for opgave in opgaver
    if opgave["vurdering"] == "Mangler"
]

print("Opgaver uden afsluttet vurdering:")

for opgave in mangler_vurdering:
    print(
        f"#{opgave['opgave_id']} - "
        f"{opgave['ydelse']} i "
        f"{opgave['omraade']}"
    )
Enter fullscreen mode Exit fullscreen mode

Med vores eksempeldata får vi:

Opgaver uden afsluttet vurdering:
#101 - Træfældning i Kolding
#103 - Stubfræsning i Kolding
#105 - Træpleje i Kolding
Enter fullscreen mode Exit fullscreen mode

Nu kan den administrative medarbejder se, hvilke opgaver der mangler opfølgning.

Bemærk, at vurdering kun beskriver den administrative registrering.

Programmet afgør ikke, om en opgave er sikker eller teknisk forsvarlig.

5. Skab overblik over opgavetyper

Hvis vi vil vide, hvilke typer henvendelser der findes i datasættet, kan vi bruge Counter.

from collections import Counter

fordeling = Counter(
    opgave["ydelse"]
    for opgave in opgaver
)

for ydelse, antal in sorted(fordeling.items()):
    print(f"{ydelse}: {antal}")
Enter fullscreen mode Exit fullscreen mode

Resultatet bliver:

Beskæring: 1
Stubfræsning: 1
Træfældning: 2
Træpleje: 1
Enter fullscreen mode Exit fullscreen mode

Denne type optælling kan bruges til at forstå fordelingen af registrerede henvendelser.

Det er dog vigtigt at læse tallene rigtigt.

Fem registrerede opgaver siger ikke noget sikkert om efterspørgslen i hele Kolding.

Et lille datasæt kan give et internt overblik, men det er ikke en markedsundersøgelse.

6. Kontrollér data før analyse

Et problem med CSV-filer er, at brugere kan skrive den samme opgavetype på forskellige måder.

Eksempelvis:

  • Træfældning
  • træfældning
  • Traefaeldning

For et menneske er betydningen tydelig.

For et program er det forskellige tekstværdier.

Derfor kan vi definere tilladte værdier.

gyldige_ydelser = {
    "Træfældning",
    "Beskæring",
    "Stubfræsning",
    "Træpleje"
}

for opgave in opgaver:
    if opgave["ydelse"] not in gyldige_ydelser:
        print(
            "Ukendt ydelse:",
            opgave["opgave_id"],
            opgave["ydelse"]
        )
Enter fullscreen mode Exit fullscreen mode

Denne kontrol hjælper med at opdage tastefejl og uventede værdier.

Et større system kunne vise en dropdown-menu, så medarbejderen vælger en ydelse fra en fast liste.

Det kan mindske behovet for manuel oprydning i data.

7. Lav en enkel Markdown-rapport

Når oplysningerne er læst og kontrolleret, kan vi lave en lille rapport.

Markdown er praktisk, fordi formatet kan læses direkte som tekst og vises pænt på platforme som GitHub.

from collections import Counter

fordeling = Counter(
    opgave["ydelse"]
    for opgave in opgaver
)

linjer = [
    "# Oversigt over træopgaver",
    "",
    f"Antal registrerede opgaver: {len(opgaver)}",
    "",
    "## Fordeling efter ydelse",
    ""
]

for ydelse, antal in sorted(fordeling.items()):
    linjer.append(f"- {ydelse}: {antal}")

rapport = "\n".join(linjer) + "\n"

with open(
    "rapport.md",
    "w",
    encoding="utf-8"
) as fil:
    fil.write(rapport)

print("Rapporten er gemt.")
Enter fullscreen mode Exit fullscreen mode

Resultatet bliver en fil med denne struktur:

# Oversigt over træopgaver

Antal registrerede opgaver: 5

## Fordeling efter ydelse

- Beskæring: 1
- Stubfræsning: 1
- Træfældning: 2
- Træpleje: 1
Enter fullscreen mode Exit fullscreen mode

Det er et lille eksempel, men det viser en nyttig arbejdsgang:

CSV-data bliver til en læsbar oversigt uden manuel optælling.

8. Hvorfor bør man ikke automatisere selve sikkerhedsvurderingen?

Her kommer en vigtig forskel mellem almindelig datahåndtering og fagligt træarbejde.

Et program kan godt registrere oplysninger som:

  • Træfældning ønskes
  • Adgangsforhold er begrænsede
  • Kunden har meldt om en knækket gren
  • Faglig vurdering mangler

Men programmet kan ikke alene afgøre, om træet er stabilt, eller hvilken fældningsmetode der er sikker.

Det kræver en vurdering af blandt andet træets tilstand, omgivelserne og de konkrete arbejdsforhold.

Et stort træ tæt på et hus kan eksempelvis kræve sektionsfældning, klatring eller andet specialudstyr.

De metoder skal vælges af kvalificerede fagfolk.

Derfor er det en god idé at holde administrative data adskilt fra faglige beslutninger.

Et digitalt system bør støtte medarbejdernes arbejde, ikke erstatte deres professionelle vurdering.

9. Hvad med persondata?

Eksemplet bruger kun fiktive opgave-ID'er og generelle områdenavne.

Virkelige kundeoplysninger kræver større omtanke.

Navne, telefonnumre, adresser og billeder af private ejendomme kan være personoplysninger.

Hvis oplysningerne kan knyttes til en identificerbar person, skal de håndteres efter relevante databeskyttelsesregler.

Man bør blandt andet overveje:

  • Hvilke oplysninger der faktisk er nødvendige
  • Hvem der må læse dem
  • Hvordan de opbevares sikkert
  • Hvornår de skal slettes
  • Om der er et lovligt grundlag for behandlingen

Undgå at lægge virkelige kundedata i offentlige GitHub-repositories.

Hvis du vil dele et kodeeksempel, bør du bruge opdigtede eller korrekt anonymiserede data.

10. Et praktisk eksempel fra træservicebranchen

Skovhugger Lund er en træservicevirksomhed med base i Kolding.

Virksomheden arbejder blandt andet med træfældning, beskæring, stubfræsning og skovpleje.

Opgaverne kan variere fra almindelige havetræer til træer, som står tæt på bygninger eller har vanskelige adgangsforhold.

På virksomhedens side om professionel træfældning i Kolding kan man læse mere om de forskellige arbejdsmetoder og forhold, som kræver faglig vurdering.

Det er netop denne forskel mellem administrative oplysninger og praktisk arbejde, der gør et enkelt digitalt system interessant.

Et system kan organisere henvendelser, dokumentere status og hjælpe med opfølgning.

Men det skal stadig være medarbejderne, der vurderer den konkrete opgave.

Dette tutorial er et generelt softwareeksempel. Det beskriver ikke et internt system, som Skovhugger Lund anvender.

11. Mulige forbedringer

Når den enkle løsning fungerer, kan man bygge videre på den.

Et naturligt næste skridt kunne være at tilføje:

  • Validering af obligatoriske felter
  • Kontrol af dublerede opgave-ID'er
  • Filtrering efter område
  • En intern oversigt over administrative opgavestatusser
  • Eksport til et regneark
  • Adgangskontrol, hvis rigtige kundeoplysninger indgår

For større datasæt kan en database være mere passende end CSV.

Men til at lære grundlæggende datahåndtering er CSV et godt sted at begynde.

Det kræver få værktøjer og gør det let at forstå, hvordan oplysninger bevæger sig fra en tekstfil til en rapport.

Afsluttende tanke

Digitalisering behøver ikke begynde med en stor platform.

Nogle gange er en tydelig datastruktur og et kort Python-script nok til at skabe et bedre administrativt overblik.

Det gælder også i praktiske brancher som træpleje og skovarbejde.

Teknologien kan hjælpe med at holde styr på oplysningerne.

Fagligheden afgør stadig, hvordan arbejdet skal udføres.

Top comments (0)