import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go

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

# Cargar el archivo CSV que ya está disponible en la web
df = pd.read_csv("df_clean.csv")  # Asegúrate de que la ruta del archivo es correcta

# 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)

# 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 15 columnas con los valores más altos (ignorar la columna de cliente)
            top_15_manufacturers = customer_data.iloc[:, 1:].T.nlargest(15, customer_data.index[0])

            # Generar el spider chart con los top 15 fabricantes
            fig_spider = go.Figure()
            fig_spider.add_trace(go.Scatterpolar(
                r=top_15_manufacturers[customer_data.index[0]].values,
                theta=top_15_manufacturers.index,
                fill='toself',
                name=f'Customer {customer_code}'
            ))
            # Ajustar el diseño del gráfico para que se vea más cerca y las variables queden bien distribuidas
            fig_spider.update_layout(
                polar=dict(
                    radialaxis=dict(
                        visible=True,
                        range=[0, 1]  # Ajusta este rango según la escala que deseas, aquí ajusto de 0 a 1
                    ),
                    angularaxis=dict(
                        tickmode='array',
                        tickvals=[i * (360 / 15) for i in range(15)],  # Asegura que haya 15 puntos distribuidos uniformemente
                    )
                ),
                showlegend=False,
                title=f'Spider Chart for Top 15 Manufacturers of Customer {customer_code}',
                height=600,  # Puedes ajustar el tamaño si quieres más espacio
                width=600
            )

            st.plotly_chart(fig_spider)

            # 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.")