import pandas as pd

import streamlit as st

import tools


dataset, target, treatment = tools.get_data()

st.title('Uplift lab')

st.markdown(
	"""
	#### Рассмотрим пример применения одного из подходов прогнозирования _uplift_.
	
	Данные для примера взяты из [_The MineThatData E-Mail Analytics And Data Mining Challenge_](https://blog.minethatdata.com/2008/03/minethatdata-e-mail-analytics-and-data.html)
	
	Этот набор данных содержит 42 693 строк с данными клиентов, которые в последний раз совершали покупки в течение двенадцати месяцев.
	
	Среди клиентов была проведена рекламная кампания с помощью _email_ рассылки:
	- 1/3 клиентов были выбраны случайным образом для получения электронного письма, рекламирующего мужскую продукцию;
	- 1/3 клиентов были выбраны случайным образом для получения электронного письма, рекламирующего женскую продукцию;
	- С оставшейся 1/3 коммуникацию не проводили.
	
	Для каждого клиента из выборки замерили факт перехода по ссылке в письме, факт совершения покупки и сумму трат за
	две недели, следующими после получения письма.
	
	Пример данных приведен ниже.
	"""
)
refresh = st.button('Обновить выборку')
title_subsample = dataset.sample(7)
if refresh:
	title_subsample = dataset.sample(7)
st.dataframe(title_subsample, width=700)
st.write( f"Всего записей: {dataset.shape[0]}")

st.write('Описание данных')
st.markdown(
	"""
		| Колонка           | Обозначение                                                            |
		|-------------------|------------------------------------------------------------------------|
		| _recency_         | Месяцев с момента последней покупки                                    |
		| _history_Segment_ | Классификация долларов, потраченных в прошлом году                     |
		| _history_         | Фактическая стоимость в долларах, потраченная в прошлом году           |
		| _mens_            | Флаг 1/0, 1 = клиент приобрел мужские товары в прошлом году            |
		| _womens_          | Флаг 1/0, 1 = клиент приобрел женские товары в прошлом году            |
		| _zip_code_        | Классифицирует почтовый индекс как городской, пригородный или сельский |
		| _newbie_          | Флаг 1/0, 1 = Новый клиент за последние двенадцать месяцев             |
		| _channel_         | Описывает каналы, которые клиент приобрел в прошлом году               |

		---
	"""
)
st.write("Для того, чтобы лучше понять на какую аудиторию лучше запустить рекламную кампанию, проведем небольшой \
		  анализ данных")

with st.expander('Развернуть блок анализа данных'):

	st.plotly_chart(tools.get_newbie_plot(dataset))
	st.write(f'В данных примерно одинаковое количество новых и "старых клиентов". '
			 f'Отношение новых клиентов к старым: {(dataset["newbie"] == 1).sum() / (dataset["newbie"] == 0).sum():.2f}')

	st.plotly_chart(tools.get_zipcode_plot(dataset))
	st.write(f'Большинство клиентов из пригорода: {(dataset["zip_code"] == "Surburban").sum()}')

	st.plotly_chart(tools.get_channel_plot(dataset))

	st.plotly_chart(tools.get_history_segment_plot(dataset))