Guardar mis cambios locales

app.py

@@ -1,35 +1,77 @@
-import gradio as gr
+import streamlit as st
 import pandas as pd
-import joblib
+import matplotlib.pyplot as plt
+from statsmodels.tsa.arima.model import ARIMA
+import pickle
 
-# Cargar el modelo entrenado
-model = joblib.load("arima_sales_model.pkl")
+# Título de la interfaz
+st.title("MLCast v1.1 - Intelligent Sales Forecasting System")
 
-# Función para hacer predicciones con el modelo
-def predict(file):
+# 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
-    data = pd.read_csv(file.name)
-    
-    # Asegúrate de que el archivo tenga las columnas necesarias
-    if 'Date' not in data.columns or 'Sales' not in data.columns:
-        return "El archivo debe contener las columnas 'Date' y 'Sales'."
-    
-    # Aquí puedes agregar tu lógica de predicción con el modelo
-    # Por ejemplo, model.predict(data['Sales'])
-    prediction = model.predict(data['Sales'].values.reshape(-1, 1))  # Suponiendo que es una serie temporal
-    
-    return f"Predicción de ventas: {prediction}"
-
-# Crear la interfaz interactiva en Gradio
-iface = gr.Interface(
-    fn=predict,
-    inputs=gr.File(label="Sube los datos de tu tienda (debe contener Date y Sales)", file_count="single", file_types=[".csv"]),
-    outputs="text",
-    title="MLCast v1.1",
-    description="Un sistema inteligente de pronóstico de ventas. Suba los datos de su tienda para proceder (debe contener al menos Date y Sales).",
-    theme="huggingface",
-    allow_flagging="never"
-)
-
-# Ejecutar la interfaz
-iface.launch()
+    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.")