feat: updated website

app.py

@@ -366,9 +366,12 @@ 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
+                    # Convertir fecha_mes a datetime en el DataFrame historical_data
                     historical_data['fecha_mes'] = pd.to_datetime(historical_data['fecha_mes'], errors='coerce')
-                    results['fecha_mes'] = pd.to_datetime(results['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
 
                     # Filtrar los datos históricos por cliente y por el rango de fechas (2023)
                     fecha_inicio_2023 = pd.to_datetime("2023-01-01")
@@ -380,18 +383,18 @@ elif page == "Customer Analysis":
                         (historical_data['fecha_mes'] <= fecha_fin_2023)
                     ].groupby('fecha_mes')['precio_total'].sum().reset_index()
 
-                    # Asegurarnos de que fecha_mes en datos_historicos es datetime
-                    datos_historicos['fecha_mes'] = pd.to_datetime(datos_historicos['fecha_mes'], errors='coerce')
+                    # Verificar si los datos históricos fueron filtrados correctamente
+                    st.subheader("Datos históricos filtrados (2023)")
+                    st.write(datos_historicos)
 
-                    # Generar un rango de fechas desde enero 2023 hasta diciembre 2023 si no hay datos
-                    if datos_historicos.empty:
+                    # Renombrar la columna 'precio_total' a 'ventas_historicas' si no está vacía
+                    if not datos_historicos.empty:
+                        datos_historicos.rename(columns={'precio_total': 'ventas_historicas'}, inplace=True)
+                    else:
+                        # Si los datos históricos están vacíos, generar fechas de 2023 con ventas_historicas = 0
                         fechas_2023 = pd.date_range(start='2023-01-01', end='2023-12-31', freq='M')
                         datos_historicos = pd.DataFrame({'fecha_mes': fechas_2023, 'ventas_historicas': [0] * len(fechas_2023)})
 
-                    # Renombrar la columna 'precio_total' a 'ventas_historicas' si hay datos
-                    else:
-                        datos_historicos.rename(columns={'precio_total': 'ventas_historicas'}, inplace=True)
-
                     # Filtrar los datos de predicciones y ventas reales para 2024
                     datos_cliente_total = results.groupby('fecha_mes').agg({
                         'ventas_reales': 'sum',
@@ -409,7 +412,12 @@ elif page == "Customer Analysis":
                     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')
+                    # Usamos how='outer' para asegurarnos de incluir todas las fechas de 2023 y 2024
+                    datos_combinados = pd.merge(datos_historicos, datos_cliente_total, on='fecha_mes', how='outer').sort_values('fecha_mes')
+
+                    # Verificar el DataFrame combinado antes de rellenar los valores faltantes
+                    st.subheader("Datos combinados antes de llenar valores faltantes")
+                    st.write(datos_combinados)
 
                     # Rellenar los NaN: 0 en ventas_historicas donde faltan predicciones, y viceversa
                     datos_combinados['ventas_historicas'].fillna(0, inplace=True)