app.py

import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
import pickle

# Título de la interfaz
st.title("MLCast v1.1 - Intelligent Sales Forecasting System")

# Subir archivo CSV
uploaded_file = st.file_uploader("Upload your store data here (must contain Date and Sales)", type="csv")

# Verificar si se subió un archivo
if uploaded_file is not None:
    # Leer el archivo CSV
    df = pd.read_csv(uploaded_file)

    # Verificar si las columnas necesarias están presentes
    if 'Date' in df.columns and 'Sale' in df.columns:
        st.success("File uploaded successfully!")

        # Mostrar una vista previa de los primeros datos
        st.write(df.head())

        # Convertir la columna 'Date' en tipo datetime
        df['Date'] = pd.to_datetime(df['Date'])

        # Renombrar las columnas para ARIMA
        df_arima = df.rename(columns={'Date': 'ds', 'Sale': 'y'})

        # Cargar el modelo ARIMA desde el archivo
        with open('arima_sales_model.pkl', 'rb') as f:
            arima_model = pickle.load(f)

        # Realizar la predicción para los próximos 30 días (ajustable)
        forecast_period = 30
        forecast = arima_model.get_forecast(steps=forecast_period)
        forecast_index = pd.date_range(df['Date'].max(), periods=forecast_period + 1, freq='D')[1:]

        # Crear un DataFrame con las predicciones
        forecast_df = pd.DataFrame({
            'Date': forecast_index,
            'Sales Forecast': forecast.predicted_mean
        })

        # Graficar los resultados
        fig, ax = plt.subplots(figsize=(10, 6))
        ax.plot(df['Date'], df['Sale'], label='Historical Sales', color='blue')
        ax.plot(forecast_df['Date'], forecast_df['Sales Forecast'], label='Sales Forecast', color='red', linestyle='--')
        ax.set_xlabel('Date')
        ax.set_ylabel('Sales')
        ax.set_title('Sales Forecasting with ARIMA')
        ax.legend()

        # Mostrar la gráfica
        st.pyplot(fig)

        # Opcional: Ajuste del rango de fechas para el pronóstico
        st.sidebar.title("Adjust Forecast Range")
        start_date = st.sidebar.date_input('Start Date', df['Date'].min())
        end_date = st.sidebar.date_input('End Date', df['Date'].max())

        # Filtrar los datos según el rango seleccionado
        filtered_df = df[(df['Date'] >= pd.to_datetime(start_date)) & (df['Date'] <= pd.to_datetime(end_date))]

        # Graficar el rango ajustado
        st.subheader(f"Sales Data from {start_date} to {end_date}")
        fig_filtered, ax_filtered = plt.subplots(figsize=(10, 6))
        ax_filtered.plot(filtered_df['Date'], filtered_df['Sale'], label=f'Sales from {start_date} to {end_date}')
        ax_filtered.set_xlabel('Date')
        ax_filtered.set_ylabel('Sale')
        ax_filtered.set_title(f'Sales Forecasting from {start_date} to {end_date}')
        ax_filtered.legend()
        st.pyplot(fig_filtered)

    else:
        st.error("The uploaded file must contain at least 'Date' and 'Sales' columns.")