app.py

import streamlit as st
import pandas as pd
import plotly.express as px
import matplotlib.pyplot as plt
import numpy as np

# Configuración de la página principal
st.set_page_config(page_title="Customer Insights App", page_icon=":bar_chart:")

# Cargar los archivos CSV
df = pd.read_csv("df_clean.csv")
nombres_proveedores = pd.read_csv("nombres_proveedores.csv")

# Ignorar las dos últimas columnas
df = df.iloc[:, :-2]

# Asegurarse de que el código del cliente sea una cadena (string)
df['CLIENTE'] = df['CLIENTE'].astype(str)

# Función para obtener el nombre del proveedor
def get_supplier_name(code):
    name = nombres_proveedores[nombres_proveedores['codigo_proveedor'] == code]['nombre_proveedor'].values
    return name[0] if len(name) > 0 else code

# Función para crear el gráfico de radar
def radar_chart(categories, values, title):
    # Número de variables
    N = len(categories)
    
    # Calcular los ángulos para cada punto
    angles = [n / float(N) * 2 * np.pi for n in range(N)]
    angles += angles[:1]
    
    # Inicializar el gráfico
    fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(projection='polar'))
    
    # Dibujar el polígono y rellenarlo
    values += values[:1]
    ax.plot(angles, values, 'o-', linewidth=2, color='#FF69B4')
    ax.fill(angles, values, alpha=0.25, color='#FF69B4')
    
    # Configurar los ejes
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(categories, size=8, wrap=True)
    ax.set_ylim(0, max(values) * 1.1)
    
    # Dibujar círculos de referencia
    circles = np.linspace(0, max(values), 5)
    for circle in circles:
        ax.plot(angles, [circle]*len(angles), '--', color='gray', alpha=0.3, linewidth=0.5)
    
    # Eliminar las etiquetas radiales y los bordes del gráfico
    ax.set_yticklabels([])
    ax.spines['polar'].set_visible(False)
    
    # Dibujar el borde exterior en azul
    max_value = max(values)
    ax.plot(angles, [max_value]*len(angles), '-', linewidth=2, color='#4169E1')
    
    # Añadir el título
    plt.title(title, size=16, y=1.1)
    
    return fig

# Diseño de la página principal
st.title("Welcome to Customer Insights App")
st.markdown("""
    This app helps businesses analyze customer behaviors and provide personalized recommendations based on purchase history. 
    Use the tools below to dive deeper into your customer data.
""")

# Menú de navegación
page = st.selectbox("Selecciona la herramienta que quieres utilizar", ["", "Customer Analysis", "Customer Recommendations"])

# Página Home
if page == "":
    st.markdown("## Welcome to the Customer Insights App")
    st.write("Use the dropdown menu to navigate between the different sections.")

# Página Customer Analysis
elif page == "Customer Analysis":
    st.title("Customer Analysis")
    st.markdown("""
        Use the tools below to explore your customer data.
    """)

    # Campo para filtrar clientes
    partial_code = st.text_input("Enter part of Customer Code (or leave empty to see all)")

    # Filtrar las opciones de clientes que coincidan con el código parcial
    if partial_code:
        filtered_customers = df[df['CLIENTE'].str.contains(partial_code)]
    else:
        filtered_customers = df

    # Crear una lista de clientes filtrados para el selectbox
    customer_list = filtered_customers['CLIENTE'].unique()

    # Selección de cliente con autocompletar filtrado
    customer_code = st.selectbox("Select Customer Code", customer_list)

    if customer_code:
        # Filtrar datos para el cliente seleccionado
        customer_data = df[df["CLIENTE"] == customer_code]

        if not customer_data.empty:
            st.write(f"### Analysis for Customer {customer_code}")

            # Obtener las 6 columnas con los valores más altos (ignorar la columna de cliente)
            top_6_manufacturers = customer_data.iloc[:, 1:].T.nlargest(6, customer_data.index[0])

            # Ordenar los fabricantes por valor descendente para mejor visualización
            top_6_manufacturers = top_6_manufacturers.sort_values(by=customer_data.index[0], ascending=False)

            # Preparar los valores y fabricantes
            values = top_6_manufacturers[customer_data.index[0]].values.tolist()
            manufacturers = [get_supplier_name(m) for m in top_6_manufacturers.index.tolist()]

            # Mostrar los resultados de cada fabricante
            st.write("### Resultados porcentaje fabricante (ordenados):")
            for manufacturer, value in zip(manufacturers, values):
                st.write(f"{manufacturer} = {value:.4f}")

            # Crear y mostrar el gráfico de radar
            fig = radar_chart(manufacturers, values, f'Radar Chart for Top 6 Manufacturers of Customer {customer_code}')
            st.pyplot(fig)

            # Ventas del cliente 2021-2024 (si los datos existen)
            if 'VENTA_2021' in df.columns and 'VENTA_2022' in df.columns and 'VENTA_2023' in df.columns and 'VENTA_2024' in df.columns:
                years = ['2021', '2022', '2023', '2024']
                sales_columns = ['VENTA_2021', 'VENTA_2022', 'VENTA_2023', 'VENTA_2024']
                customer_sales = customer_data[sales_columns].values[0]

                fig_sales = px.line(x=years, y=customer_sales, markers=True, title=f'Sales Over the Years for Customer {customer_code}')
                fig_sales.update_layout(xaxis_title="Year", yaxis_title="Sales")
                st.plotly_chart(fig_sales)
            else:
                st.warning("Sales data for 2021-2024 not available.")
        else:
            st.warning(f"No data found for customer {customer_code}. Please check the code.")

# Página Customer Recommendations
elif page == "Customer Recommendations":
    st.title("Customer Recommendations")
    st.markdown("""
        Get tailored recommendations for your customers based on their purchasing history.
    """)

    # Campo para filtrar clientes
    partial_code = st.text_input("Enter part of Customer Code for Recommendations (or leave empty to see all)")

    # Filtrar las opciones de clientes que coincidan con el código parcial
    if partial_code:
        filtered_customers = df[df['CLIENTE'].str.contains(partial_code)]
    else:
        filtered_customers = df

    # Crear una lista de clientes filtrados para el selectbox
    customer_list = filtered_customers['CLIENTE'].unique()

    # Selección de cliente con autocompletar filtrado
    customer_code = st.selectbox("Select Customer Code for Recommendations", customer_list)

    if customer_code:
        customer_data = df[df["CLIENTE"] == customer_code]

        if not customer_data.empty:
            # Mostrar historial de compras del cliente seleccionado
            st.write(f"### Purchase History for Customer {customer_code}")
            st.write(customer_data)

            # Generar recomendaciones (placeholder)
            st.write(f"### Recommended Products for Customer {customer_code}")
            # Aquí puedes reemplazar con la lógica del modelo de recomendación
            st.write("Product A, Product B, Product C")
        else:
            st.warning(f"No data found for customer {customer_code}. Please check the code.")