feat: updated website

app.py

@@ -366,32 +366,48 @@ 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')
 
-                    # Definir el rango de fechas deseado
-                    fecha_inicio = pd.to_datetime("2023-01-01")
-                    fecha_corte = pd.to_datetime("2024-09-30")
+                    # 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")
+                    fecha_fin_2023 = pd.to_datetime("2023-12-31")
 
-                    # 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_corte)
+                        (historical_data['fecha_mes'] >= fecha_inicio_2023) &
+                        (historical_data['fecha_mes'] <= fecha_fin_2023)
                     ].groupby('fecha_mes')['precio_total'].sum().reset_index()
 
-                    # Renombrar columna precio_total a ventas_historicas
-                    datos_historicos.rename(columns={'precio_total': 'ventas_historicas'}, inplace=True)
+                    # Verificar si los datos históricos de 2023 fueron correctamente filtrados
+                    st.subheader("Datos históricos filtrados (2023)")
+                    st.write(datos_historicos)  # Mostrar los datos históricos de 2023
+
+                    # Generar un rango de fechas desde enero 2023 hasta diciembre 2023 si no hay datos
+                    if datos_historicos.empty:
+                        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)})
 
-                    # Filtrar predicciones y ventas reales (2024) y agrupar por mes
+                    # 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',
                         'ventas_predichas': 'sum'
                     }).reset_index()
 
-                    # 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')
+                    # Generar un rango de fechas para 2024 si no hay predicciones
+                    fechas_2024 = pd.date_range(start='2024-01-01', end='2024-12-31', freq='M')
+                    fechas_df_2024 = pd.DataFrame({'fecha_mes': fechas_2024})
+
+                    # 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')
 
                     # Rellenar los NaN: 0 en ventas_historicas donde faltan predicciones, y viceversa
                     datos_combinados['ventas_historicas'].fillna(0, inplace=True)
@@ -441,7 +457,7 @@ elif page == "Customer Analysis":
                         xaxis_title="Fecha",
                         yaxis_title="Ventas (€)",
                         height=600,
-                        xaxis_range=[fecha_inicio, fecha_corte],  # Ajustar el rango del eje x a 2023-2024
+                        xaxis_range=[fecha_inicio_2023, pd.to_datetime("2024-09-30")],  # Ajustar el rango del eje x a 2023-2024
                         legend_title="Tipo de Ventas",
                         hovermode="x unified"
                     )