feat: updated website

app.py

@@ -366,36 +366,15 @@ elif page == "Customer Analysis":
                     fecha_inicio = pd.to_datetime("2023-01-01")
                     fecha_corte = pd.to_datetime("2024-09-01")
 
-                    st.subheader("Verificar existencia de datos en historical_data1")
-                    st.write(historical_data.head())
-
                     # Convertir fecha_mes a datetime en el DataFrame historical_data
                     historical_data['fecha_mes'] = pd.to_datetime(historical_data['fecha_mes'], errors='coerce')
 
-                    st.subheader("Verificar existencia de datos en historical_data1")
-                    st.write(historical_data.head())
-
                     # Ensure cliente_id is of type string and strip any leading/trailing whitespace
                     historical_data['cliente_id'] = historical_data['cliente_id'].astype(str).str.strip()
                     customer_code_str = str(customer_code).strip()  # Ensure the customer code is also properly formatted
 
-                    # Display the unique cliente_id values to make sure they are correctly formatted
-                    st.subheader("Verificar valores únicos de cliente_id en historical_data")
-                    st.write(historical_data['cliente_id'].unique())  # Show unique cliente_id values
-
-                    # Show a sample of the data for the customer
-                    st.subheader(f"Verificar datos para cliente_id {customer_code_str}")
                     filtered_historical_data = historical_data[historical_data['cliente_id'] == customer_code_str]
 
-                    if not filtered_historical_data.empty:
-                        st.success(f"Datos encontrados para cliente {customer_code_str}")
-                        st.write(filtered_historical_data.head(20))  # Show more rows to confirm correct filtering
-                    else:
-                        st.error(f"No se encontraron datos para el cliente {customer_code_str}. Verifique el código.")
-
-                    # 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")
@@ -407,10 +386,6 @@ elif page == "Customer Analysis":
                         (historical_data['fecha_mes'] <= fecha_fin_2023)
                     ].groupby('fecha_mes')['precio_total'].sum().reset_index()
 
-                    # Verificar si los datos históricos fueron filtrados correctamente
-                    st.subheader("Datos históricos filtrados (2023)")
-                    st.write(datos_historicos)
-
                     # 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)
@@ -439,22 +414,11 @@ elif page == "Customer Analysis":
                     # 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)
                     datos_combinados['ventas_predichas'].fillna(0, inplace=True)
                     datos_combinados['ventas_reales'].fillna(0, inplace=True)
 
-                    # Mostrar los datos combinados
-                    st.subheader("Datos combinados con valores faltantes llenados")
-                    st.write(datos_combinados)
-
-                    # **Generar la gráfica**
-                    st.markdown("### Sales History, Predictions, and Real Sales")
-
                     # Crear la gráfica con Plotly
                     fig = go.Figure()