Мікросервіс розрахунку ігрової статистики та аналітики матчів

Бюджет: 2000 EUR Термін: 7 днів

Привіт, я працював над аналітичним сервісом для esports-платформи де ми обробляли понад 2 мільйони ігрових подій на день через Pandas без циклів for, і скоротили час розрахунку метрик до менше 3 секунд ⚡

Проект дуже схожий на ваш: там теж треба було агрегувати сирі логи (вбивства, смерті, урон) і віддавати структуровану аналітику через FastAPI + валідацію Pydantic

Питання по суті: ви плануєте обробляти події в реальному часі (стрімінг з черги типу Kafka), чи достатньо batch-обробки готових логів сесій? Від цього залежить вибір між ClickHouse і PostgreSQL

Пропоную зв'язатися, я безкоштовно проконсультую вас з технічної сторони та складемо план розробки + розповім про мою команду!

Бюджет: 333 EUR Термін: 10 днів

Иван, вам потрібен сервіс для швидкої обробки ігрових логів, який переводить «сирі» події в зрозумілі метрики ефективності гравців. Головна складність тут - не просто зібрати дані, а грамотно векторизувати операції, щоб сервіс не захлинувся при аналізі великих масивів матчів. Я побудую архітектуру обробки на зв'язці Pandas і NumPy, повністю виключивши цикли в розрахунках, що забезпечить високу продуктивність при агрегації подій. Усі вхідні навантаження валідую через Pydantic, а для швидкої розгортки упакую сервіс і вибрану базу в Docker. Розкажіть, який середній обсяг логів на один матч планується і чи є вже готова схема JSON, яку сервіс повинен приймати на вхід?

Бюджет: 1000 EUR Термін: 7 днів

Привіт!

Зацікавив ваш проект. У мене є досвід розробки високонавантажених backend-сервісів на Python, роботи з FastAPI, PostgreSQL, Docker, а також обробки великих обсягів даних з акцентом на продуктивність.

Можу реалізувати сервіс, який:

* приймає та валідує ігрові події через FastAPI та Pydantic;
* ефективно агрегує великі масиви даних з використанням Pandas/NumPy без використання циклів `for` там, де це впливає на продуктивність;
* розраховує необхідні метрики гравців (K/D, шкода, ефективність, виконання цілей та інші показники);
* підтримує зберігання даних у PostgreSQL або ClickHouse (якщо передбачаються дійсно великі обсяги логів);
* надає зручне API для отримання аналітики;
* повністю розгортається через Docker Compose.

При розробці приділяю увагу не лише коректності розрахунків, але й масштабованості сервісу. Архітектура буде побудована таким чином, щоб у подальшому можна було додавати нові типи ігрових подій, метрики та джерела даних без суттєвої переробки системи.

Буду радий обговорити структуру вхідних подій, очікувані обсяги даних та набір розрахованих метрик, щоб запропонувати оптимальну архітектуру.

З повагою,
Дмитро Розгорнути

Бюджет: 25 EUR Термін: 1 день

Привіт, Іване,

Це підходить для роботи, яку я регулярно виконую, сервіси FastAPI, що обробляють структуровані дані подій за допомогою Pandas для важкої агрегації та Pydantic для валідації схем на вході.

Щодо розрахунку метрик, вимога без циклів має сенс, враховуючи обсяг, який ви описуєте, векторизовані операції Pandas/NumPy над сирими масивами подій (вбивства, смерті, шкода, місії), а не ітерація по рядках, групування та агрегація на рівні DataFrame, безпосередньо передавати в ClickHouse, коли набір даних стає достатньо великим, щоб завантаження всього в пам'ять перестало мати сенс.

Кілька речей, які допоможуть мені точно оцінити обсяг роботи. Який очікуваний обсяг, ми говоримо про тисячі подій на матч чи мільйони в рамках живого потоку, оскільки це визначає, чи варто витрачати кошти на налаштування ClickHouse замість просто PostgreSQL з хорошим індексуванням. Чи є у вас вже зразок сирого формату журналу, навіть кілька реальних записів дозволять мені точно визначити схему Pydantic з першого разу, замість того, щоб вгадувати назви полів. І чи це одноразова служба завантаження, чи потрібно обробляти безперервні вхідні сесії, це змінює, чи будувати чергу, чи залишити все простим запитом-відповіддю.

Я б налаштував це як FastAPI з моделями Pydantic, що валідують вхідні дані, шар агрегації на основі Pandas для обчислення метрик, упакований у Docker разом з будь-якою базою даних, що підходить для вашого обсягу, з docker compose, щоб все працювало з однією командою з вашого боку.

Надішліть зразок даних, якщо у вас є, і я повернуся з чіткою ціною та термінами замість приблизної оцінки. Розгорнути

Бюджет: 450 EUR Термін: 9 днів

Привіт! Готовий розробити мікросервіс для розрахунку ігрової статистики з використанням FastAPI та Pandas. Забезпечу високу продуктивність і якісну аналітику. Давайте обговоримо деталі!

Бюджет: 50 EUR Термін: 2 дні

Вітаю. Проєкт зі створення сервісу аналітики ігрових сесій є мені добре зрозумілим і цікавим для реалізації. Архітектура сервісу буде побудована на FastAPI з Pydantic для надійної валідації вхідних даних, а для швидкісної агрегації метрик на великих обсягах даних я застосую векторизовані операції Pandas та NumPy, уникаючи циклів for як зазначено у вимогах. Використання ClickHouse забезпечить оптимальну продуктивність для аналітичних запитів, а Docker-контейнеризація гарантує легке розгортання та масштабування рішення. Вже маю готові архітектурні шаблони та оптимізовані скрипти для подібних завдань, що значно прискорить процес розробки та підвищить надійність. Всі деталі реалізації, кінцевий бюджет та терміни пропоную обговорити в особистих повідомленнях.

Бюджет: 348 EUR Термін: 5 днів

Вітаю! Зацікавила ваша задача по створенню аналітичного мікросервісу. Маю відмінний досвід роботи з FastAPI та Pydantic для валідації даних, а також глибоко знайомий з Pandas та NumPy для векторизованих обчислень, що критично важливо для обробки ігрових логів без використання повільних циклів. Готовий реалізувати ефективну архітектуру з використанням ClickHouse або PostgreSQL, упакувати все в Docker і забезпечити високу продуктивність обробки даних. Готовий обговорити деталі і розпочати роботу, пишіть.