Changed position of predicted results values for customer analysis.

app.py

@@ -512,30 +512,6 @@ elif page == "🕵️ Análisis de Cliente":
                         # Mostrar la gráfica en Streamlit
                         st.plotly_chart(fig)
 
-                        # Calculate metrics for 2024 data
-                        datos_2024 = datos_combinados[datos_combinados['fecha_mes'].dt.year == 2024]
-                        actual = datos_2024['ventas_reales']
-                        predicted = datos_2024['ventas_predichas']
-
-                        def calculate_mape(y_true, y_pred):
-                            mask = y_true != 0
-                            return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
-
-                        mae = mean_absolute_error(actual, predicted)
-                        mse = mean_squared_error(actual, predicted)
-                        rmse = np.sqrt(mse)
-                        mape = calculate_mape(actual, predicted)
-                        smape = np.mean(2 * np.abs(actual - predicted) / (np.abs(actual) + np.abs(predicted))) * 100
-
-                        # Display metrics
-                        st.subheader("Métricas de Predicción (2024)")
-                        col1, col2, col3, col4 = st.columns(4)
-                        col1.metric("MAE", f"{mae:.2f} €",help="Promedio de la diferencia absoluta entre las predicciones y los valores reales.")
-                        col2.metric("MAPE", f"{mape:.2f}%",help="Porcentaje promedio de error en las predicciones.")
-                        col3.metric("RMSE", f"{rmse:.2f} €",help="Medida de la desviación estándar de los residuos de predicción.")
-                        col4.metric("SMAPE", f"{smape:.2f}%",help="Alternativa al MAPE que maneja mejor los valores cercanos a cero.")
-
-
                         # Split space into two columns
                         col1, col2 = st.columns(2)
 
@@ -746,6 +722,28 @@ elif page == "🕵️ Análisis de Cliente":
                                     else:
                                         st.warning(f"No predicted or actual data found for customer {customer_code} for 2024.")
 
+                        # Calculate metrics for 2024 data
+                        datos_2024 = datos_combinados[datos_combinados['fecha_mes'].dt.year == 2024]
+                        actual = datos_2024['ventas_reales']
+                        predicted = datos_2024['ventas_predichas']
+
+                        def calculate_mape(y_true, y_pred):
+                            mask = y_true != 0
+                            return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
+
+                        mae = mean_absolute_error(actual, predicted)
+                        mse = mean_squared_error(actual, predicted)
+                        rmse = np.sqrt(mse)
+                        mape = calculate_mape(actual, predicted)
+                        smape = np.mean(2 * np.abs(actual - predicted) / (np.abs(actual) + np.abs(predicted))) * 100
+
+                        # Display metrics
+                        st.subheader("Métricas de Predicción (2024)")
+                        col1, col2, col3 = st.columns(3)
+                        col1.metric("MAE", f"{mae:.2f} €",help="Promedio de la diferencia absoluta entre las predicciones y los valores reales.")
+                        col2.metric("MAPE", f"{mape:.2f}%",help="Porcentaje promedio de error en las predicciones.")
+                        col3.metric("RMSE", f"{rmse:.2f} €",help="Medida de la desviación estándar de los residuos de predicción.")
+
             else:
                 with st.spinner(f"Seleccionando el modelo predictivo..."):
                     # Load the Corresponding Model
@@ -845,30 +843,6 @@ elif page == "🕵️ Análisis de Cliente":
                     else:
                         st.warning(f"El código de fabricante {codigo_fabricante_seleccionado} no se encuentra en el LabelEncoder.")
 
-            # else:
-            #     with st.spinner(f"Mostrando datos para el fabricante {fabricante_seleccionado}..."):
-            #         # Mostrar el cliente y el fabricante seleccionados
-            #         st.write(f"**Cliente seleccionado:** {customer_code}")
-            #         st.write(f"**Fabricante seleccionado:** {fabricante_seleccionado}")
-            #         codigo_fabricante_seleccionado = np.int64(nombres_proveedores[nombres_proveedores['nombre'] == fabricante_seleccionado]['codigo'].values[0])
-
-
-            #         st.write(f"**Código fabricante seleccionado:** {codigo_fabricante_seleccionado}")
-                    
-            #         if codigo_fabricante_seleccionado in marca_id_mapping.classes_:
-            #             # Si el código está en el LabelEncoder, hacer la transformación
-            #             codigo_fabricante_encoded = marca_id_mapping.transform([codigo_fabricante_seleccionado])[0]
-            #             st.write(f"**Código fabricante encoded (marca_id_encoded):** {codigo_fabricante_encoded}")
-            #         else:
-            #             # Si el código no se encuentra en el LabelEncoder, mostrar advertencia y los códigos disponibles
-            #             st.warning(f"El código de fabricante {codigo_fabricante_seleccionado} no se encuentra en el LabelEncoder.")
-            #             st.write("Lista de códigos de fabricantes disponibles en el LabelEncoder:")
-                        
-            #             # Imprimir los códigos disponibles y su tipo
-            #             available_codes = marca_id_mapping.classes_
-            #             st.write(f"**Códigos disponibles:** {available_codes}")
-            #             st.write(f"**Tipo de los códigos disponibles:** {type(available_codes[0])}")
-
                     
 
 # Customer Recommendations Page