app.py

import streamlit as st
import pandas as pd
import numpy as np
import datetime
from datetime import timedelta
import pandas as pd
import numpy as np
# from datetime import datetime
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels import api as sm
from statsmodels.graphics import tsaplots
from statsmodels.tsa.statespace.sarimax import SARIMAX
pd.options.display.float_format = '{:.2f}'.format



st.write('Калькулятор для Дениса')

# import streamlit as st
st.sidebar.title('Выбор параметров для расчета влияния фичи')

with st.sidebar:
    count_view = st.number_input(
        "Введите охват аудитории - сколько пользователей увидят Вашу фичу/виджет/баннер",
        min_value=0,  # Минимальное значение
        step=1,  # Шаг единицы
        format='%d',  # Формат для целых чисел
        # max_value=(df1['ЗП в вакансии'].max() - 50000)
        # ("IT", "Продажи"),
        value = 1
    )

    ctr = st.number_input(
        "Конверсия в клик",
        value = 0.01
    )

    ctr_connect = st.number_input(
        "Конверсия в подключение услуги",
        value = 0.01
    )

    money = st.selectbox(
        "Хотите ли Вы указать значение среднего чека или при расчете брать прогнозируемое значений", options=["Выставлю сам", "Использовать прогноз"], key=f"1",
        index=None,
    )

    if money == 'Выставлю сам':
        money_self = st.number_input(
            "Введите значение среднего чека",
            value = 1
        )

    duration = st.selectbox(
        "Введите количество месяцев, на протяжении которых желаете оценивать влияние фичи",
        options=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24], key=f"2",
    count_month = st.number_input(
        "Введите количество месяцев прогноза",
        min_value=0,  # Минимальное значение
        step=1,  # Шаг единицы
        format='%d',  # Формат для целых чисел
        # max_value=(df1['ЗП в вакансии'].max() - 50000)
        # ("IT", "Продажи")
        value=12
    )



        # min_value=0,  # Минимальное значение
        # step=1,  # Шаг единицы
        # format='%d',  # Формат для целых чисел
        # # max_value=(df1['ЗП в вакансии'].max() - 50000)
        # # ("IT", "Продажи")
    )

    date_start = st.date_input("Выберите дату старта акции:", datetime.date(2024, 10, 1))
    st.write("Вы выбрали дату:", date_start)


# Заголовок приложения
st.title("Расчет прогнозных значений моделью SARIMA, с добавлением параментов фичи")
st.write("Файл должен содержать 3 колонки: Дата, Оборот, Средний чек")
st.write("Если Вы не подгружаете свои данные - расчет производится по дефолтным данным")
# Используем file_uploader для загрузки файла
uploaded_file = st.file_uploader("Выберите файл Excel", type=["xlsx"])


# Проверяем, был ли загружен файл
if uploaded_file is not None:
    # Читаем файл Excel в DataFrame
    df = pd.read_excel(uploaded_file)

    # Отображаем загруженные данные
    st.write("Загруженные данные:")
    st.dataframe(df)


@st.cache_data
def load_file(path):
    data = pd.read_excel(path)
    return data

@st.cache_data
def fit_model(data_list):
    seasonal_order = (1, 1, 1, 12)  # Настройте параметры сезонности (P, D, Q, s)
    model = SARIMAX(data_list.dropna(), seasonal_order=seasonal_order)
    model_fit = model.fit()
    forecast = model_fit.forecast(steps=count_month)
    return forecast

data = load_file('Файл для построения прогноза.xlsx')
data = data.rename(columns={'Оборот по всем копилкам за месяц': 'Оборот', 'Изменение ср чека': 'Средний чек'})
st.dataframe(data, width=1100, height=250)
data['Дата'] = pd.to_datetime(data['Дата'], format="%d.%m.%Y") # изменяем тип данных на дату
data.set_index('Дата', inplace=True)
data = data.rename(columns={'Оборот по всем копилкам за месяц': 'Оборот', 'Изменение ср чека': 'Средний чек'})

# if count_month:
# seasonal_order = (1, 1, 1, 12)  # Настройте параметры сезонности (P, D, Q, s)
# model = SARIMAX(data['Оборот'].dropna(), seasonal_order=seasonal_order)
# model_fit = model.fit()
# forecast_new = model_fit.forecast(steps=count_month)

forecast_new = fit_model(data['Оборот'])

fig, ax = plt.subplots(figsize=(10, 5))
# plt.figure(figsize=(10, 5))
# plt.plot(train['Оборот по всем копилкам за месяц'], label='Train')
ax.plot(data['Оборот'], label='Исторические данные', color='orange')
ax.plot(forecast_new.index, forecast_new, label='Прогноз', color='green', linestyle='--')
ax.set_title('Прогнозирование общего оборота АН с помощью SARIMA')
ax.legend()
ax.grid()
# ax.show()
st.pyplot(fig)

 # данные по среднему чеку также спрогнозируем помесячно
# Обучаем модель SARIMA
# seasonal_order = (1, 1, 1, 12)  # Настройте параметры сезонности (P, D, Q, s)
# model = SARIMAX(data['Средний чек'].dropna(), seasonal_order=seasonal_order)
# model_fit = model.fit()
# # Прогнозируем
# forecast_chek = model_fit.forecast(steps=count_month)

forecast_chek = fit_model(data['Средний чек'])

# Визуализируем результаты
fig, ax = plt.subplots(figsize=(10, 5))
# plt.plot(train['Оборот по всем копилкам за месяц'], label='Train')
ax.plot(data['Средний чек'], label='Исторические данные', color='orange')
ax.plot(forecast_chek.index, forecast_chek, label='Прогноз', color='green', linestyle='--')
ax.set_title('Прогнозирование с помощью SARIMA среднего чека')
ax.legend()
ax.grid()
st.pyplot(fig)

st.subheader('Прогнозные значения без влияния фичи')
df_no_feature = pd.DataFrame()
df_no_feature['Дата'] = forecast_new.index
df_no_feature['Оборот'] = list(forecast_new)
df_no_feature['Средний чек'] = list(forecast_chek)
st.dataframe(df_no_feature)

list_retention = [0.48, 0.58, 0.52, 0.47, 0.44, 0.42, 0.4, 0.38, 0.37, 0.35, 0.34, 0.33, 0.32, 0.31, 0.30, 0.29, 0.28, 0.27, 0.26, 0.25, 0.24]

st.subheader('Визуализация влияния фичи')

month_start = date_start

summ_from_feature = 0
new_summ_with_features = []

if money == 'Выставлю сам':
    forecast_chek = [money_self for i in range(len(forecast_new))]

list_retention = list_retention[:duration+1] + [0 for i in range(25)]
for i in range(len(forecast_new)):

    # print(f"Сумма прогноза без добавления фичи в период {forecast_new.index[i].date()} -", forecast_new[i])
    if (forecast_new.index[i].date() >= month_start) & (
            forecast_new.index[i].date() <= month_start + timedelta(days=180)):
        summ_from_feature += count_view * ctr * ctr_connect * forecast_chek[i] * list_retention[i]
        # print("Доп сумма от фичи:", summ_from_feature)

        new_summ_with_features.append(summ_from_feature + forecast_new[i])
        i += 1
    else:
        new_summ_with_features.append(forecast_new[i])


# Визуализируем результаты
fig, ax = plt.subplots(figsize=(10, 5))
# plt.plot(train['Оборот по всем копилкам за месяц'], label='Train')
ax.plot(data['Оборот'], label='Исторические данные', color='orange')
ax.plot(forecast_new.index, forecast_new, label='Прогноз', color='green', linestyle='--')
ax.plot(forecast_new.index, new_summ_with_features, label='Прогноз с добавлением фичи', color='red', linestyle='--')

ax.set_title('Прогнозирование с помощью SARIMA')
ax.legend()
ax.grid()
st.pyplot(fig)

st.subheader('Данные с учетом влияния фичи')
df_no_feature['Прогноз с учетом фичи'] = list(new_summ_with_features)
st.dataframe(df_no_feature)