# запрос к базе

part_query = """
SELECT LocationId,
       ProductId,
       DATEPART(MONTH, Datetime) AS MonthQ,
       SUM(Quantity) AS SumQ
FROM dbo.LocationStateHourSales AS l
WHERE l.Quantity >= 0
GROUP BY LocationId, ProductId, DATEPART(MONTH, Datetime)
ORDER BY LocationId, DATEPART(MONTH, Datetime)
"""

part_sales = pd.read_sql(part_query, conn)
part_sales

# фильтруем данные для работы (до указанной)
# в этом датафрейме уже есть Target, и нет вероятности

train_df_work = train_df.query('ValidationDateTime < "2023-07-15"')
train_df_work

# объединяю две таблицы

merge_df = pd.merge(train_df_work, part_sales, how='left', on=['LocationId', 'ProductId'])
merge_df.head(10)

# один признак булева типа переведем в int (0 и 1)
merge_df['Column19'] = merge_df['Column19'].astype(int)

# далее больше кусками удалила признаки:
'Column9', 'Column10', 'Column26', 'Column66',
'Column58', 'Column59', 'Column60', 'Column61',
'Column62', 'Column63', 'Column64', 'Column65',
'Column67', 'Column8', 'Column13', 'Column20',
'Column21', 'Column22', 'Column28'

# пропуски в трех катег. заменила на наиболее часто встр.
'Column45', 'Column46', 'Column47'

# сформировала список категориальных
# передавала модели при обучении
categorical_features = ['Column45', 'Column46', 'Column47', 'LocationId', 'ProductId', 'MonthQ']

# при разделении на X и y грохала 'ValidationDateTime'