feat: updated website

app.py

@@ -366,75 +366,72 @@ 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 ambos DataFrames
                     historical_data['fecha_mes'] = pd.to_datetime(historical_data['fecha_mes'], errors='coerce')
-
-                    # Ensure the 'fecha_mes' column in results is also in datetime format if it's being used for comparisons
                     results['fecha_mes'] = pd.to_datetime(results['fecha_mes'], errors='coerce')
 
-                    st.subheader("Datos históricos completos")
-                    st.write(historical_data.head())
-
-                    st.subheader("Resultados completos con predicciones")
-                    st.write(results.head())
-
-
-                    fecha_inicio = pd.to_datetime(fecha_inicio)
-
-                    # Filter historical data for the customer over the last 12 months
+                    # Filtrar datos históricos por cliente y por el rango de fechas (2023)
                     datos_historicos = historical_data[
                         (historical_data['cliente_id'] == customer_code_str) &
-                        (historical_data['fecha_mes'] >= fecha_inicio) & 
+                        (historical_data['fecha_mes'] >= fecha_inicio) &
                         (historical_data['fecha_mes'] < fecha_corte)
                     ].groupby('fecha_mes')['precio_total'].sum().reset_index()
-                    st.write(datos_historicos)
 
-                    # Rename 'precio_total' column to 'ventas_historicas'
+                    # Renombrar columna precio_total a ventas_historicas
                     datos_historicos.rename(columns={'precio_total': 'ventas_historicas'}, inplace=True)
 
-                    # Filter prediction and real sales data and sum by month
+                    # Filtrar predicciones y ventas reales (2024) y agrupar por mes
                     datos_cliente_total = results.groupby('fecha_mes').agg({
                         'ventas_reales': 'sum',
                         'ventas_predichas': 'sum'
                     }).reset_index()
 
-                    # Combine historical data with prediction and real sales data
-                    datos_combinados = pd.concat([datos_historicos, datos_cliente_total], sort=False).sort_values('fecha_mes').reset_index(drop=True)
+                    # Combinar datos históricos con predicciones y ventas reales, usando un merge en lugar de concat
+                    datos_combinados = pd.merge(datos_historicos, datos_cliente_total, on='fecha_mes', how='outer').sort_values('fecha_mes')
+
+                    # Rellenar los NaN: 0 en ventas_historicas donde faltan predicciones, y viceversa
+                    datos_combinados['ventas_historicas'].fillna(0, inplace=True)
+                    datos_combinados['ventas_predichas'].fillna(0, inplace=True)
+                    datos_combinados['ventas_reales'].fillna(0, inplace=True)
 
-                    # **Generate the graph**
+                    # Mostrar los datos combinados
+                    st.subheader("Datos combinados con valores faltantes llenados")
+                    st.write(datos_combinados)
 
+                    # **Generar la gráfica**
                     st.markdown("### Sales History, Predictions, and Real Sales")
 
-                    # Create the figure using Plotly
+                    # Crear la gráfica con Plotly
                     fig = go.Figure()
 
-                    # Plot historical sales
+                    # Graficar ventas históricas
                     fig.add_trace(go.Scatter(
-                        x=datos_combinados['fecha_mes'],  # Dates
+                        x=datos_combinados['fecha_mes'], 
                         y=datos_combinados['ventas_historicas'], 
                         mode='lines+markers', 
                         name='Ventas Históricas', 
                         line=dict(color='blue')
                     ))
 
-                    # Plot predicted sales
+                    # Graficar ventas predichas
                     fig.add_trace(go.Scatter(
-                        x=datos_combinados['fecha_mes'],  # Dates
+                        x=datos_combinados['fecha_mes'], 
                         y=datos_combinados['ventas_predichas'], 
                         mode='lines+markers', 
                         name='Ventas Predichas', 
                         line=dict(color='orange')
                     ))
 
-                    # Plot real sales
+                    # Graficar ventas reales
                     fig.add_trace(go.Scatter(
-                        x=datos_combinados['fecha_mes'],  # Dates
+                        x=datos_combinados['fecha_mes'], 
                         y=datos_combinados['ventas_reales'], 
                         mode='lines+markers', 
                         name='Ventas Reales', 
                         line=dict(color='green')
                     ))
 
-                    # Customize the layout
+                    # Personalizar layout
                     fig.update_layout(
                         title=f"Ventas Históricas, Predichas y Reales para Cliente {customer_code}",
                         xaxis_title="Fecha",
@@ -444,7 +441,7 @@ elif page == "Customer Analysis":
                         hovermode="x unified"
                     )
 
-                    # Display the Plotly figure
+                    # Mostrar la gráfica en Streamlit
                     st.plotly_chart(fig)
 
                     # Split space into two columns