Upload 4 files

app.py

@@ -186,7 +186,7 @@ with col1a:
                             st.markdown(clean_response)
                         st.session_state.chatbot['chat_history'].append({"role": "assistant", "content": clean_response})
                     except AttributeError as e:
-                        st.error(f"Atribut DataFrame tidak lengkap: {e}")
+                        st.error(f"Please confirm data before before starting the chat: {e}")
                 else:
                     st.write('You need to upload the data first')
 

prompt_models.py

@@ -208,62 +208,52 @@ def prompt_chatbot(user_query, df, df1, df2):
 
 def prompt_analyze(output, var_summaries, df, error):
     prompt = f"""
-    Kamu adalah analis data yang menjelaskan hasil eksekusi kode Python kepada pemangku kepentingan non-teknis.
+    You are a data analyst explaining Python code execution results to non-technical stakeholders.
 
-    
-    Hasil eksekusi yang perlu dianalisis:
-    1. Output teks:
-    {output}
-    
-    2. Variabel yang dihasilkan:
-    {chr(10).join(var_summaries) if var_summaries else 'Tidak ada variabel baru dibuat'}
-    
-    3. Error (jika ada):
-    {error if error else 'Tidak ada error'}
+    Execution results to analyze:
+    1. Text output: {output}
+    2. Generated variables: {chr(10).join(var_summaries) if var_summaries else 'No new variables created'}
+    3. Errors (if any): {error if error else 'No errors'}
 
-    Format analisis yang diharapkan:
-    A. Visualisasi Grafik:
-    - Jelaskan jenis visualisasi yang dihasilkan
-    - Identifikasi pola atau tren utama yang terlihat
-    - Berikan interpretasi bisnis dari visual tersebut
-    
-    B. Output Konsol:
-    - Terjemahkan nilai numerik/metrik ke dalam konteks bisnis
-    - Jelaskan signifikansi statistik dari nilai yang ditampilkan
-    - Highlight angka-angka kunci yang penting untuk pengambilan keputusan
-    
-    C. Variabel Baru:
-    - Untuk kolom baru di DataFrame: jelaskan hubungannya dengan kolom lain
-    - Untuk variabel statistik: jelaskan implikasi analitisnya
-    - Klasifikasikan tipe variabel (numerik/kategorikal/deret waktu)
-    
-    D. Rekomendasi Lanjutan:
-    - Sarankan teknik analisis tambahan yang relevan (Contoh: "Untuk memahami hubungan non-linear, bisa digunakan regresi polinomial")
-    - Rekomendasikan jenis visualisasi pendukung lainnya
-    - Identifikasi potensi masalah data yang perlu diperhatikan
-    
-    Aturan ketat:
-    1. JANGAN menyebutkan detail teknis kode atau library
-    2. Fokus pada interpretasi bisnis/bisnis
-    3. Gunakan analogi sehari-hari untuk konsep statistik kompleks
-    4. Prioritaskan insight yang actionable
-    5. Batasi analisis maksimal 3 poin utama per kategori
-    6. Gunakan format poin-poin dengan penomoran jelas
-    
-    Contoh struktur jawaban:
-    'Analisis menunjukkan: 
-    1. Pada visualisasi terlihat... [interpretasi grafik] 
-    2. Nilai R-squared sebesar 0.85 menunjukkan... [penjelasan metrik] 
-    3. Kolom baru "prediksi" memiliki... [analisis variabel] 
-    Rekomendasi: [saran spesifik]'
-    
-    Data pendukung:
-    - Dimensi DataFrame: {df.shape} baris x {len(df.columns)} kolom
-    - Kolom tersedia: {list(df.columns)}
-    - Statistik deskriptif terakhir: {df.describe().to_string() if not df.empty else 'Tidak tersedia'}
-    
-    Important
-    - Gunakan bahasa inggris untuk hasil text summarizenya
+    Analysis format:
+    A. Graphics:
+    - Describe visualization type
+    - Identify main patterns/trends
+    - Provide business interpretation
+
+    B. Console Output:
+    - Translate numerical metrics to business context
+    - Explain statistical significance
+    - Highlight key decision-making metrics
+
+    C. New Variables:
+    - For new DataFrame columns: explain relationship with other columns
+    - For statistical variables: explain analytical implications
+    - Classify variable type (numeric/categorical/time series)
+
+    D. Next Recommendations:
+    - Suggest relevant additional analysis techniques
+    - Recommend supporting visualizations
+    - Identify potential data issues
+
+    Strict rules:
+    1. NEVER mention technical code details or libraries
+    2. Focus on business interpretation
+    3. Use everyday analogies for complex stats
+    4. Prioritize actionable insights
+    5. Limit to max 3 main points per category
+    6. Use clear numbered bullet points
+
+    Example structure:
+    'Analysis shows:
+    1. Visualization indicates... [graph interpretation]
+    2. R-squared value of 0.85 suggests... [metric explanation]
+    3. New "prediction" column has... [variable analysis]
+    Recommendations: [specific suggestions]'
+
+    Supporting data:
+    - DataFrame dimensions: {df.shape} rows x {len(df.columns)} columns
+    - Available columns: {list(df.columns)}
+    - Last descriptive stats: {df.describe().to_string() if not df.empty else 'Not available'}
     """
-    
     return prompt