import streamlit as st
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from streamlit_extras.stylable_container import stylable_container

# Charger les données
try:
    df = pd.read_csv('bank.csv')
except FileNotFoundError:
    st.error("Le fichier 'bank.csv' n'a pas été trouvé. Veuillez vous assurer qu'il se trouve dans le même répertoire que le script.")
    st.stop()

st.set_page_config(page_title='Analyse Bancaire Professionnelle',
                   page_icon='🏦', layout="wide")

# --- Styles CSS Personnalisés ---
st.markdown(
    """
    <style>
        .reportview-container {
            background: #f7f8fa; /* Fond gris très clair */
        }
        .main {
            background-color: #fff;
            padding: 2rem 3rem;
            border-radius: 12px;
            box-shadow: 0 8px 24px rgba(0, 0, 0, 0.08);
        }
        h1 {
            color: #2c3e50; /* Bleu foncé élégant */
            text-align: center;
            margin-bottom: 2.5rem;
            font-size: 2.5rem;
            font-weight: 600;
        }
        h3 {
            color: #34495e; /* Bleu légèrement plus clair */
            margin-top: 2rem;
            font-size: 1.3rem;
            font-weight: 500;
            border-bottom: 2px solid #bdc3c7; /* Séparateur subtil */
            padding-bottom: 0.5rem;
            margin-bottom: 1rem;
        }
        .kpi-container {
            background-color: #e7f5ff; /* Bleu très clair pour les KPIs */
            border-radius: 8px;
            padding: 1.5rem;
            text-align: center;
            box-shadow: 0 4px 8px rgba(0, 0, 0, 0.04);
            border-left: 5px solid #3498db; /* Couleur d'accentuation */
        }
        .kpi-label {
            color: #7f8c8d; /* Gris bleuté */
            font-size: 0.9rem;
            margin-bottom: 0.5rem;
            font-weight: 500;
        }
        .kpi-value {
            font-size: 1.8rem;
            font-weight: 700;
            color: #3498db; /* Couleur d'accentuation */
        }
        .chart-container {
            background-color: #fff;
            border-radius: 12px;
            box-shadow: 0 6px 12px rgba(0, 0, 0, 0.06);
            padding: 1.5rem 2rem;
            margin-top: 2rem;
        }
        .dataframe-container {
            background-color: #fff;
            border-radius: 12px;
            box-shadow: 0 6px 12px rgba(0, 0, 0, 0.06);
            padding: 1.5rem;
            margin-top: 2rem;
        }
        /* Style pour le selectbox */
        .st-selectbox > div > div > div > div {
            background-color: #f0f0f0;
            border: 1px solid #ccc;
            border-radius: 6px;
            color: #333;
            padding: 0.5rem;
        }
        /* Style pour le bouton */
        .st-button > button {
            background-color: #3498db;
            color: white;
            border: none;
            border-radius: 6px;
            padding: 0.75rem 1.5rem;
            font-weight: 500;
            cursor: pointer;
            transition: background-color 0.3s ease;
        }
        .st-button > button:hover {
            background-color: #2980b9;
        }
    </style>
    """,
    unsafe_allow_html=True,
)

with stylable_container(key="main_container", css_styles="""
    padding: 2rem 3rem;
    border-radius: 12px;
    box-shadow: 0 8px 24px rgba(0, 0, 0, 0.08);
    background-color: #fff;
"""):
    # --- Titre du Dashboard ---
    st.title('Analyse Approfondie des Données Bancaires')

    # --- Filtre sur le type de job ---
    job_filter = st.selectbox('Filtrer par métier', pd.unique(df['job']))
    df_filtered = df[df['job'] == job_filter]

    # --- Création d'indicateurs clés (KPIs) ---
    avg_age = np.mean(df_filtered['age'])
    count_married = int(df_filtered[df_filtered['marital'] == 'married']['marital'].count())
    avg_balance = np.mean(df_filtered['balance'])

    kpi1, kpi2, kpi3 = st.columns(3)

    with kpi1:
        st.markdown(f"<div class='kpi-container'><p class='kpi-label'>Âge Moyen</p><p class='kpi-value'>{round(avg_age)} <span style='font-size: 0.8rem;'>ans</span></p></div>", unsafe_allow_html=True)

    with kpi2:
        st.markdown(f"<div class='kpi-container'><p class='kpi-label'>Clients Mariés</p><p class='kpi-value'>{count_married} <span style='font-size: 0.8rem;'>clients</span></p></div>", unsafe_allow_html=True)

    with kpi3:
        st.markdown(f"<div class='kpi-container'><p class='kpi-label'>Solde Moyen</p><p class='kpi-value'>$<span style='font-size: 0.8rem;'> {round(avg_balance, 2)}</span></p></div>", unsafe_allow_html=True)

    # --- Graphiques ---
    col1, col2 = st.columns(2)

    with col1:
        st.markdown('### Répartition de l\'âge par statut marital')
        fig_age_marital = plt.figure(figsize=(10, 5))
        sns.barplot(data=df_filtered, y='age', x='marital', palette='Blues_r')
        plt.title('Âge moyen par statut marital', fontsize=14, fontweight='bold', color='#34495e')
        plt.xlabel('Statut Marital', color='#555')
        plt.ylabel('Âge Moyen', color='#555')
        plt.xticks(fontsize=10)
        plt.yticks(fontsize=10)
        sns.despine() # Supprimer les bordures superflues
        st.pyplot(fig_age_marital)

    with col2:
        st.markdown('### Distribution des soldes des clients')
        fig_balance_dist = plt.figure(figsize=(10, 5))
        sns.histplot(df_filtered['balance'], bins=30, kde=True, color='#3498db', edgecolor='black')
        plt.title('Distribution des soldes', fontsize=14, fontweight='bold', color='#34495e')
        plt.xlabel('Solde', color='#555')
        plt.ylabel('Fréquence', color='#555')
        plt.xticks(fontsize=10)
        plt.yticks(fontsize=10)
        sns.despine()
        st.pyplot(fig_balance_dist)

    # --- Vue détaillée des données filtrées ---
    st.markdown('### Données Détaillées')
    st.dataframe(df_filtered)