pandas 3.1.0rc0 มาแล้ว ลองรายงานก่อนยอดจริงเปลี่ยน

ทีม pandas เผยแพร่ pandas 3.1.0rc0 พร้อมขอให้ผู้ใช้ทดลองและแจ้งปัญหา แปลว่าเป็นของเกือบจริงที่เปิดให้ลองก่อนออกตัวสมบูรณ์ ตามประกาศบน GitHub ลงวันที่ 30 กันยายน 2026 สำหรับคนทำยอดขาย บัญชี หรือรายงานประจำเดือน ข่าวนี้เกี่ยวกับการเช็กงานเดิมก่อนอัปเกรดครับ

จุดที่ต้องระวังอยู่ในขั้นอ่านข้อมูลและรวมยอด เอกสาร pandas ระบุว่ารหัสที่มีศูนย์นำหน้าอาจเสียศูนย์เมื่ออ่านเป็นข้อมูลหมวดหมู่ และยอดรวมทศนิยมบางกรณีอาจต่างในหลักท้าย ๆ จากเดิม (รายละเอียดการเปลี่ยนแปลง) บทความนี้จึงพาเลือกสิ่งที่ควรลองกับสำเนารายงาน มากกว่าชวนเปลี่ยนเครื่องทำงานทันที

สรุป 30 วินาที: เกิดอะไรขึ้น

pandas คือชุดเครื่องมือของภาษา Python สำหรับจัดการข้อมูลตาราง ตัวประกาศเรียกรุ่นนี้ว่า release candidate หรือรุ่นผู้สมัครก่อนออกจริง และ GitHub ติดป้าย Pre-release ว่ายังเป็นรุ่นก่อนเผยแพร่สมบูรณ์ (GitHub) คนทำรายงานจึงควรแยกการทดลองออกจากงานที่ต้องส่งลูกค้าหรือปิดบัญชี

NewReleases บันทึกการออกแพ็กเกจรุ่นเดียวกัน พร้อมคำสั่งติดตั้งและคำขอให้แจ้งปัญหา แต่ข้อความนั้นเป็นการเผยแพร่ประกาศซ้ำ ไม่ใช่ผลทดสอบอิสระว่ารายงานของคุณจะทำงานเหมือนเดิม ผมยังไม่ได้รันรายงานจริงกับรุ่นนี้ จึงไม่มีตัวเลขประสิทธิภาพจากการทดลองของเรา

ของใหม่ที่เลือกมาเล่าคือการเลือกคอลัมน์พร้อมคำนวณ การกรองด้วยเงื่อนไข การอ่านไฟล์ตาราง และการสรุปข้อมูลเป็นกลุ่ม อีกเรื่องที่ต้องเตรียมคือ deprecation หมายถึงการประกาศเลิกสนับสนุนวิธีใช้บางอย่างในอนาคต ไม่ได้แปลว่าทุกคำสั่งนั้นถูกถอดออกแล้ววันนี้ (pandas)

ทำไมเรื่องนี้เกี่ยวกับคุณ

ถ้าคุณเป็นนักวิเคราะห์ เจ้าหน้าที่บัญชี หรือฝ่ายปฏิบัติการ ให้เริ่มจากไฟล์ที่ใช้ส่งงานประจำ ตัวอย่างเช่นรายงานยอดตามสาขา รายการลูกค้าค้างชำระ หรือรายการสั่งซื้อ นี่เป็นตัวอย่างงานที่ควรนำมาทดสอบ ไม่ใช่คำกล่าวว่าทีม pandas ตรวจรายงานประเภทนี้ให้แล้ว

เอกสารระบุว่า read_csv() ซึ่งเป็นคำสั่งอ่านไฟล์ CSV หรือไฟล์ข้อความที่แบ่งข้อมูลเป็นแถวและคอลัมน์ เปลี่ยนการตีความข้อมูลเมื่อใช้ dtype="category" โดยค่าตัวเลขและค่าจริงหรือเท็จจะถูกอนุมานเป็นชนิดนั้น แทนการเก็บเป็นข้อความแบบเดิมในตัวอ่าน c และ python (pandas) คำว่า dtype หมายถึงชนิดข้อมูล ส่วน category คือการเก็บข้อมูลในรูปหมวดหมู่

คำเตือนที่จับต้องได้คือเลขบัญชีหรือรหัสไปรษณีย์ที่มีศูนย์นำหน้า อาจถูกอ่านเป็นหมวดหมู่ตัวเลขและเสียศูนย์ เอกสารแนะนำให้อ่านคอลัมน์เป็น str หรือข้อความก่อน แล้วจึงแปลงเป็น category หากต้องการรักษาพฤติกรรมเดิม (pandas) สำหรับชุดข้อมูลของคุณ ให้รวมรหัสลูกค้าและรหัสสินค้าไว้ในรายการตรวจด้วย

ถ้ารายงานเปิดได้โดยไม่มีข้อความผิดพลาด เราถือว่างานถูกต้องแล้วหรือ? การตรวจครั้งนี้ควรมองทั้งตัวเลข รหัส และรายการที่เหลือหลังกรอง เพราะเอกสารมีการเปลี่ยนพฤติกรรมหลายจุด ไม่ได้มีแต่คำสั่งใหม่ (pandas)

ทำงานยังไง

DataFrame คือข้อมูลตารางที่มีแถวและคอลัมน์ใน pandas คำสั่งใหม่ DataFrame.select() คืนตารางใหม่ที่มีคอลัมน์ตามที่ระบุ และรับสูตรคำนวณผ่าน pandas.col() ได้ด้วย (pandas) เมื่อใช้ชื่อย่อ pd แบบในเอกสาร จึงเห็นการเขียนเป็น pd.col() ซึ่งใช้ระบุคอลัมน์ในสูตร

สำหรับคนทำรายงาน ประโยชน์ที่ควรลองคือเลือกเฉพาะคอลัมน์ที่จะส่ง พร้อมสร้างคอลัมน์คำนวณในขั้นเดียว เอกสารระบุว่าชื่อที่ส่งผ่านอาร์กิวเมนต์แบบตั้งชื่อจะเป็นชื่อคอลัมน์ผลลัพธ์ และอาร์กิวเมนต์ที่มาทีหลังอ้างคอลัมน์ซึ่งคำนวณก่อนหน้าในคำสั่งเดียวกันได้ (pandas) จึงควรตรวจว่าชื่อและค่าของคอลัมน์ใหม่ตรงกับความตั้งใจ

อีกคำสั่งคือ DataFrame.filter() และ Series.filter() โดย Series หมายถึงชุดข้อมูลแนวเดียวแบบคอลัมน์หนึ่งชุด ทั้งคู่รับ boolean mask ผ่าน cond ได้แล้ว หมายถึงชุดค่าจริงหรือเท็จที่บอกว่าจะเก็บรายการไหน (pandas) ค่า True คือเก็บ ส่วน False คือไม่เก็บ

ถ้าเงื่อนไขมีค่าที่ขาดหาย ค่าเริ่มต้นจะถือว่าไม่ผ่านและตัดรายการนั้นออก แต่เลือก na=True เพื่อเก็บ หรือ na="raise" เพื่อให้เกิดข้อผิดพลาดได้ (pandas) คำว่า na ในที่นี้เกี่ยวกับข้อมูลที่ขาดหาย สำหรับรายงานติดตามงานค้าง ควรตกลงก่อนว่ารายการที่ยังไม่รู้สถานะต้องอยู่ในรายงานหรือแยกไปตรวจ

นึกถึงร้านอาหารที่เปิดทดลองก่อนเปิดเต็มรูปแบบครับ เมนูเลือกคอลัมน์กับกรองแถวเป็นรายการใหม่ให้ลองชิม ส่วนรายงานประจำเดือนคือเมนูเดิมที่ต้องตรวจว่ารสยังเหมือนเดิม การลองช่วงนี้ช่วยส่งข้อผิดพลาดกลับไปให้ทีมแก้ โดยร้านยังไม่ต้องรับงานเลี้ยงปิดบัญชีทั้งบริษัทพร้อมกัน

จุดหักมุม: ของใหม่มีไว้ลอง แต่งานจริงยังต้องรอ

แต่ป้าย rc เป็นเหตุให้แยกพื้นที่ทดสอบ ไม่ใช่เหตุให้เลื่อนการตรวจไปทั้งหมด ทีม pandas ขอให้รายงานปัญหาของรุ่นผู้สมัครนี้ผ่านตัวติดตามปัญหาในโครงการ (GitHub) จึงมีช่องทางให้ส่งสิ่งที่พบจากงานเดิมกลับไปก่อนออกจริง

การลองตอนนี้เป็นช่วงที่ต้นทุนแก้งานของคุณน่าจะต่ำกว่าเจอความต่างหลังส่งรายงาน นี่เป็นเหตุผลของคำแนะนำให้ทดสอบบนสำเนา ไม่ใช่ตัวเลขความประหยัดที่ทีม pandas วัดมา เครื่องทำรายงานจริงยังควรใช้รุ่นที่ทีมคุณรับรองไปก่อนครับ

เรื่องเงิน / ผลกระทบ

อ่านไฟล์เร็วขึ้น แต่ต้องวัดกับไฟล์ของคุณ

เอกสารทีม pandas ระบุว่าการอ่าน CSV แบบเธรดเดียวโดยทั่วไปเร็วขึ้น สองถึงสามเท่า แปลว่าเป็นคำกล่าวเรื่องความเร็วของขั้นอ่านไฟล์เมื่อเทียบกับรุ่นก่อนหน้า ไม่ใช่คำรับรองว่างานทั้งรายงานจะเร็วขึ้นเท่านั้น (pandas) เธรดคือหน่วยงานย่อยที่โปรแกรมใช้ประมวลผล ตัวเลขนี้มาจากเอกสารโครงการเพียงแหล่งเดียว ยังไม่มีผลยืนยันอิสระในชุดแหล่งข่าวนี้

ไฟล์ในเครื่องที่ไม่บีบอัดและมีขนาดอย่างน้อย 5 MB อาจถูกอ่านพร้อมกันหลายส่วนโดยค่าเริ่มต้น แปลว่าต้องเป็นไฟล์ที่เข้าเงื่อนไข ไม่ใช่ทุกไฟล์จะได้ใช้วิธีนี้ (pandas) ยังต้องไม่มีตัวเลือกที่บังคับให้ประมวลผลทั้งไฟล์ร่วมกัน และเอกสารระบุว่าผลลัพธ์เหมือนการอ่านตามลำดับ

ข้อเสนอสำหรับทีมเล็กคือจับเวลาแยกขั้นอ่านไฟล์กับขั้นคำนวณ แล้วเทียบเครื่องเดิมและข้อมูลชุดเดิม หากเวลาที่ลดลงอยู่เฉพาะตอนอ่านไฟล์ ก็อย่านำไปสรุปว่างานส่งรายงานทั้งหมดลดลงเท่ากัน การแยกวัดแบบนี้ช่วยตัดสินใจจากงานของตัวเอง โดยไม่ต้องตั้งงบจากตัวเลขประชาสัมพันธ์

อ่านทศนิยมและรวมยอด ต้องเช็กค่าก่อนปัดเศษ

pandas ระบุว่าปรับปรุงความแม่นยำของการอ่านเลขทศนิยมใน read_csv() พร้อมประกาศเลิกสนับสนุนอาร์กิวเมนต์ float_precision ในตัวอ่านที่ระบุ เพราะทุกโหมดความละเอียดใช้ตัวแปลงเดียวกันแล้ว (pandas) float คือชนิดตัวเลขทศนิยมที่โปรแกรมใช้คำนวณ ส่วนอาร์กิวเมนต์คือตัวเลือกที่ส่งให้คำสั่งทำงาน

แยกอีกเรื่องออกจากการอ่านไฟล์ด้วยครับ DataFrameGroupBy.sum() และ DataFrameGroupBy.mean() กับข้อมูล float ที่คีย์จัดกลุ่มเรียงอยู่แล้ว อาจได้หลักทศนิยมท้าย ๆ ต่างจากรุ่นก่อน เพราะเปลี่ยนอัลกอริทึมรวมยอดให้เร็วขึ้น (pandas) GroupBy คือการแบ่งข้อมูลเป็นกลุ่ม เช่นตามสาขา ส่วนคีย์คือค่าที่ใช้แบ่งกลุ่มนั้น

สำหรับฝ่ายบัญชี ข้อเสนอคือเทียบยอดก่อนและหลังปัดเศษแยกกัน รวมทั้งเทียบยอดรายกลุ่มกับยอดทั้งหมด หากพบความต่าง ให้เก็บรายการต้นทางที่ทำให้ต่างไว้ตรวจ อย่าเริ่มด้วยการปรับเกณฑ์ให้ผ่าน เพราะยังต้องแยกว่าต่างตามพฤติกรรมที่ประกาศหรือเป็นปัญหาอีกชนิดหนึ่ง

สูตรสรุปที่เขียนเอง อาจต้องดูรูปผลลัพธ์ใหม่

DataFrameGroupBy.agg() ซึ่งใช้เรียกฟังก์ชันสรุปข้อมูลแต่ละกลุ่ม อนุญาตให้ฟังก์ชันที่ส่งเข้าไปคืน NumPy array ได้แล้ว โดย array คือชุดค่าที่เก็บรวมกัน (pandas) แต่เอกสารยังแก้พฤติกรรมกรณีส่ง args หรือ kwargs ให้ฟังก์ชัน จากการทำงานกับทั้งกลุ่มมาเป็นแต่ละ Series ของกลุ่ม

อีกคำเตือนเกี่ยวกับ DataFrameGroupBy.agg() คือการแกะ Series หรือ array ที่มีสมาชิกตัวเดียวออกเป็นค่าเดี่ยวถูกประกาศเลิกสนับสนุน หากต้องการค่าเดี่ยว เอกสารแนะนำให้แกะในฟังก์ชันของผู้ใช้เอง (pandas) ทีมที่มีสูตรสรุปเฉพาะจึงควรตรวจทั้งค่า ชนิดข้อมูล และรูปตารางที่ส่งต่อ

คำเตือนเลิกใช้ อย่าปิดทิ้งโดยไม่อ่าน

เอกสารประกาศเลิกสนับสนุน inplace สำหรับคำสั่งบางชุด เช่น drop(), rename() และ sort_values() ซึ่งไม่ได้แก้ค่าข้างใต้โดยตรง พร้อมแนะนำให้รับผลลัพธ์กลับมาเก็บในตัวแปร (pandas) inplace เป็นตัวเลือกที่มักใช้สื่อว่าให้แก้กับวัตถุเดิม แต่การเปลี่ยนนี้ไม่ได้หมายถึงทุกคำสั่งที่มีตัวเลือกดังกล่าว

ตัวอย่างวิธีปรับตามเอกสารคือเปลี่ยนการเรียก df.reset_index(inplace=True) เป็น df = df.reset_index() ส่วน fillna() และ replace() ยังเก็บตัวเลือกนี้ไว้ (pandas) ข้อเสนอคือรวบรวมคำเตือนตามไฟล์งาน แล้วแก้ทีละจุด จะได้ไม่เปลี่ยนสูตรคำนวณพร้อมการจัดรูปแบบจนตามสาเหตุยาก

ข้อมูลที่ยังไม่ชัด และจุดที่แหล่งข่าวพูดไม่ตรงกัน

ด้านที่สนับสนุนให้ลอง ทีม pandas ในประกาศ GitHub ขอให้ทดสอบรุ่นผู้สมัครและแจ้งปัญหาโดยตรง ส่วน NewReleases เผยแพร่ข้อความเดียวกัน (GitHub, NewReleases) จึงเป็นคำเชิญให้ช่วยตรวจของก่อนออกจริง ไม่ใช่ความเห็นรับรองจากผู้ใช้หลายองค์กร

ด้านที่เตือนเรื่องอัปเกรด เอกสารของ pandas เองระบุหัวข้อการเปลี่ยนแปลงที่เข้ากับพฤติกรรมเดิมไม่ได้ ทั้งเรื่องรหัสหมวดหมู่และผลรวมทศนิยมที่กล่าวข้างต้น (pandas) ในแหล่งที่ได้รับไม่มีองค์กรภายนอกออกมาคัดค้าน จึงไม่ควรสร้างคู่ขัดแย้งขึ้นมา ฝั่งเตือนในข่าวนี้คือโครงการเดียวกันที่บอกข้อควรระวังอย่างเปิดเผย

วันที่ของประกาศรุ่นผู้สมัครกับกำหนดรุ่นสมบูรณ์เป็นคนละเรื่องกัน GitHub ระบุวันที่เผยแพร่ rc แต่ชื่อหน้า What’s new ยังเขียน “Month XX, 2026” ซึ่งเป็นข้อความรอเติมวันเดือน (GitHub, pandas) จึงยังบอกวันออกจริงไม่ได้ และไม่มีเหตุให้เดาว่าจะออกทันรอบปิดบัญชีถัดไป

ตัวเลขความเร็วที่ทีมโครงการให้มาใช้กับรายงานของเราได้แค่ไหน? แหล่งข่าวยังไม่ได้ตอบเรื่องข้อมูล เครื่อง และสูตรของแต่ละบริษัท ไม่มีผลทดสอบรายงานภาษาไทยเฉพาะชุดของคุณในแหล่งเหล่านี้ และรายละเอียดของรุ่นสมบูรณ์ก็ยังต้องติดตามจากประกาศต่อไป

แล้วเราควรทำอะไร

ขั้นตอนต่อไปนี้เป็นข้อเสนอสำหรับนำข่าวไปใช้กับงาน ไม่ใช่ผลทดลองที่ผมทำแล้ว หลักคือเก็บรายงานเดิมเป็นฐานเปรียบเทียบ และให้คนที่เข้าใจตัวเลขช่วยดูผลด้วย

คนทำรายงาน นักวิเคราะห์ และฝ่ายบัญชี

1. เลือกรายงานประจำเดือนที่รู้ยอดอยู่แล้ว ทำสำเนาข้อมูลและไฟล์งาน เก็บผลจากรุ่นเดิมแยกไว้ก่อนทดลอง
2. จดว่าคอลัมน์ไหนเป็นรหัส คอลัมน์ไหนเป็นเงิน และรายการที่ไม่รู้สถานะควรอยู่ตรงไหน ใช้รายการนี้เป็นเกณฑ์ตรวจผล
3. ให้ผู้ดูแลรันทดสอบบนสำเนา เทียบจำนวนแถว ลำดับแถว รหัสศูนย์นำหน้า ยอดรายกลุ่ม และยอดรวม อย่าดูเฉพาะหน้ารายงานที่จัดรูปแล้ว
4. หากผลต่าง ให้หยุดส่งผลทดสอบเข้ารอบงานจริง จดรายการที่ต่างพร้อมวิธีได้ผลนั้น เพื่อให้ทีมเทคนิคตรวจสาเหตุ

ทีม IT และผู้เขียนสคริปต์

1. สร้าง environment แยก หรือพื้นที่ติดตั้งโปรแกรมและแพ็กเกจสำหรับทดลอง อย่าใช้คำสั่งอัปเกรดกับพื้นที่ที่รันรายงานจริง
2. ในพื้นที่ทดลอง ใช้คำสั่งตรงตามประกาศ python -m pip install --upgrade --pre pandas==3.1.0rc0 โดย --pre อนุญาตให้ติดตั้งรุ่นก่อนออกจริง (GitHub)
3. รันสคริปต์เดิมกับสำเนาข้อมูลก่อนแก้ให้ใช้คำสั่งใหม่ เก็บคำเตือนและข้อผิดพลาด เพื่อแยกปัญหาอัปเกรดออกจากปัญหาสูตรใหม่
4. ตรวจจุดอ่าน category การใช้ float_precision ฟังก์ชันสรุปที่ส่งให้ agg() และ inplace ตามรายการเปลี่ยนแปลง (pandas) จากนั้นค่อยทดลอง select() กับ filter() ในงานที่เหมาะ
5. หากพบปัญหา ทำตัวอย่างเล็กที่ทำให้เกิดซ้ำได้ พร้อมรุ่นที่ใช้ ผลที่คาด และผลที่เกิดจริง ใช้ข้อมูลจำลองแทนข้อมูลลูกค้า แล้วแจ้งผ่าน pandas issue tracker ตามช่องทางที่ประกาศร้องขอ (GitHub)
6. ระหว่างรอรุ่นสมบูรณ์ เสนอให้จำกัดรุ่นในงานจริงด้วยเงื่อนไข pandas<3.1 และเก็บรุ่นเดิมที่ทีมรับรองไว้ การจำกัดรุ่นนี้เป็นคำแนะนำของบทความ ไม่ใช่นโยบายที่ประกาศบังคับ และเมื่อออกจริงแล้วก็ยังต้องตรวจผลก่อนย้าย

หัวหน้าทีมและเจ้าของกิจการ

1. ระบุว่ารายงานไหนใช้ตัดสินใจจ่ายเงิน ส่งลูกค้า หรือสั่งของ ให้รายงานเหล่านี้มีเจ้าของตรวจตัวเลข ไม่โยนการรับรองให้คนติดตั้งโปรแกรมคนเดียว
2. ตกลงล่วงหน้าว่าจะรับความต่างของทศนิยมแบบไหน และรหัสต้องคงรูปอย่างไร ให้ฝ่ายที่ใช้รายงานยืนยันเกณฑ์ด้วย
3. กันเวลาลองนอกวันส่งงาน เมื่อพบความต่างให้บันทึกผล ไม่ต้องรีบแก้จนทุกช่องเหมือนเดิมโดยยังไม่รู้เหตุผล

อ่านต่อเรื่องการตรวจลำดับแถวได้ที่ Polars 2.0 final กับ streaming และ row order ใช้เป็นหัวข้ออ่านประกอบการวางแผนทดสอบเครื่องมือข้อมูลของทีมครับ

ผมมองว่า…

ผมมองว่า ข่าวนี้ ไม่ใช่การแข่งขันว่าใครอัปเกรดก่อน แต่คือการรู้ก่อนว่ารายงานไหนต้องแก้ คนทำงานได้ประโยชน์จากการทดลองเมื่อมีผลเดิมให้เทียบ และมีคนอธิบายความต่างได้ คำสั่งใหม่จะมีค่าก็ต่อเมื่อใช้แล้วรายงานยังตอบคำถามธุรกิจได้ถูกต้อง

การพบปัญหาบนสำเนาจึงเป็นผลทดสอบที่มีประโยชน์ แม้ยังไม่ได้ใช้ฟีเจอร์ใหม่เลยก็ตาม สำหรับทีมเล็ก ผมเลือกตรวจไฟล์สำคัญให้ครบก่อนไล่เปลี่ยนคำสั่งทั้งโครงการ ความเร็วที่เพิ่มขึ้นควรมาคู่กับความมั่นใจในยอด ไม่ต้องรีบจนคนตรวจรายงานกลายเป็นรุ่นทดลองด้วย

ปิดท้าย: สิ่งที่ต้องจับตา

ให้มองรอบ rc เป็นเวลาตรวจความหมายของข้อมูล ก่อนตัดสินใจเปลี่ยนเครื่องมือที่ผลิตรายงานจริง จับตาประกาศรุ่นสมบูรณ์และวันเผยแพร่ที่ยังไม่ได้ระบุในหน้า What’s new (pandas) อีกเรื่องคือคำเตือนที่พบในงานของคุณ ควรนำกลับมาตรวจเทียบกับรายละเอียดรุ่นที่จะออกจริง

รายงานประจำเดือนของคุณมีคอลัมน์รหัสใดที่ต้องรักษาศูนย์นำหน้าไว้ แม้ทุกช่องจะดูเหมือนตัวเลข?

Recap

• เกิดอะไรขึ้น: ทีม pandas เปิดรุ่นผู้สมัครให้ทดลองและขอให้แจ้งปัญหา (GitHub)
• รุ่นที่ต้องจำคือ 3.1.0rc0 แปลว่ายังเป็นรุ่นก่อนออกจริง ไม่ใช่รุ่นสมบูรณ์ (GitHub)
• ของที่ควรลอง: DataFrame.select() และ filter(cond=...) พร้อมตรวจการจัดการค่าขาดหาย (pandas)
• ใครเห็นต่าง: ไม่มีเสียงคัดค้านภายนอกในชุดแหล่งนี้ แต่ pandas เองระบุพฤติกรรมที่เปลี่ยนและข้อควรระวัง (pandas)
• ยังไม่รู้: วันออกสมบูรณ์และผลกับรายงานของคุณ หน้าเอกสารยังใช้ Month XX (pandas)
• ผลต่อคนทำงานไทย: ตรวจรหัสศูนย์นำหน้า ยอดรวมทศนิยม จำนวนและลำดับแถวบนสำเนาก่อนส่งงานจริง
• สิ่งที่ต้องจับตา: ประกาศ final และผลตรวจรายงานสำคัญของทีม เก็บพื้นที่ทดลองแยกจากงานจริง
• แหล่งอ้างอิง: 1 — GitHub release, 2 — pandas What’s new, 3 — NewReleases