feat: updated website

app.py

@@ -366,12 +366,9 @@ elif page == "Customer Analysis":
                     fecha_inicio = pd.to_datetime("2023-01-01")
                     fecha_corte = pd.to_datetime("2024-09-01")
 
-                    # Convertir fecha_mes a datetime en el DataFrame historical_data
+                    # Convertir fecha_mes a datetime en ambos DataFrames
                     historical_data['fecha_mes'] = pd.to_datetime(historical_data['fecha_mes'], errors='coerce')
-
-                    # Verificar los datos históricos del cliente
-                    st.subheader("Verificar datos históricos del cliente")
-                    st.write(historical_data[historical_data['cliente_id'] == customer_code_str].head())  # Mostrar algunos datos históricos para el cliente
+                    results['fecha_mes'] = pd.to_datetime(results['fecha_mes'], errors='coerce')
 
                     # Filtrar los datos históricos por cliente y por el rango de fechas (2023)
                     fecha_inicio_2023 = pd.to_datetime("2023-01-01")
@@ -383,9 +380,8 @@ elif page == "Customer Analysis":
                         (historical_data['fecha_mes'] <= fecha_fin_2023)
                     ].groupby('fecha_mes')['precio_total'].sum().reset_index()
 
-                    # Verificar si los datos históricos de 2023 fueron correctamente filtrados
-                    st.subheader("Datos históricos filtrados (2023)")
-                    st.write(datos_historicos)  # Mostrar los datos históricos de 2023
+                    # Asegurarnos de que fecha_mes en datos_historicos es datetime
+                    datos_historicos['fecha_mes'] = pd.to_datetime(datos_historicos['fecha_mes'], errors='coerce')
 
                     # Generar un rango de fechas desde enero 2023 hasta diciembre 2023 si no hay datos
                     if datos_historicos.empty:
@@ -402,10 +398,16 @@ elif page == "Customer Analysis":
                         'ventas_predichas': 'sum'
                     }).reset_index()
 
+                    # Asegurarnos de que fecha_mes en datos_cliente_total es datetime
+                    datos_cliente_total['fecha_mes'] = pd.to_datetime(datos_cliente_total['fecha_mes'], errors='coerce')
+
                     # Generar un rango de fechas para 2024 si no hay predicciones
                     fechas_2024 = pd.date_range(start='2024-01-01', end='2024-12-31', freq='M')
                     fechas_df_2024 = pd.DataFrame({'fecha_mes': fechas_2024})
 
+                    # Asegurarnos de que fecha_mes en fechas_df_2024 es datetime
+                    fechas_df_2024['fecha_mes'] = pd.to_datetime(fechas_df_2024['fecha_mes'], errors='coerce')
+
                     # Combinar datos históricos con predicciones y ventas reales usando un merge
                     datos_combinados = pd.merge(fechas_df_2024, datos_cliente_total, on='fecha_mes', how='outer').sort_values('fecha_mes')
 
@@ -465,6 +467,7 @@ elif page == "Customer Analysis":
                     # Mostrar la gráfica en Streamlit
                     st.plotly_chart(fig)
 
+
                     # Split space into two columns
                     col1, col2 = st.columns(2)