Update app.py

app.py

@@ -15,7 +15,7 @@ def read_and_process_data(url, user_name):
     Возвращает:
     1) unique_count: количество уникальных SMS (по gender, generation, industry, opf)
     2) df_daily: дата, пользователь, дневное кол-во уникальных SMS (НЕ накопленное),
-                 но уже после удаления дубликатов по 4 столбцам.
+                 уже после удаления дубликатов по 4 столбцам.
     """
     df = pd.read_csv(url, na_values=["Не выбрано"])
     cols = ["gender", "generation", "industry", "opf", "timestamp"]
@@ -57,12 +57,17 @@ def process_data():
     
     # Генерируем HTML-прогресс-бары
     def get_progress_bar(label, abs_val, pct):
+        # Определяем "ёмкость"
+        if label in ["Даша", "Лера", "Света"]:
+            capacity = 234
+        else:
+            capacity = 702
         return f"""
         <div style='margin-bottom: 1em;'>
             <div><strong>{label}</strong></div>
             <div style='width: 100%; background-color: #ddd; text-align: left;'>
                 <div style='width: {pct}%; background-color: #4CAF50; padding: 5px 0;'>
-                    &nbsp;{abs_val} SMS ({pct}%)
+                    &nbsp;{abs_val} SMS ({pct}% из {capacity})
                 </div>
             </div>
         </div>
@@ -81,13 +86,10 @@ def process_data():
     daily_all = daily_all.dropna(subset=["date"])
     
     # Считаем кумулятивное количество SMS отдельно для каждого пользователя
-    # Для этого сначала отсортируем по user + date
     daily_all = daily_all.sort_values(by=["user", "date"])
-    # Группируем по user, считаем cumsum
     daily_all["cumulative"] = daily_all.groupby("user")["count"].cumsum()
     
-    # Чтобы отразить "Всего", добавим user="Всего",
-    # суммируя по каждой дате. Потом возьмём кумулятивную сумму этой суммы
+    # Чтобы отразить "Всего", добавим user="Всего"
     total_by_date = daily_all.groupby("date")["count"].sum().reset_index(name="count")
     total_by_date = total_by_date.sort_values(by="date")
     total_by_date["cumulative"] = total_by_date["count"].cumsum()
@@ -96,72 +98,72 @@ def process_data():
     # Объединим с daily_all
     daily_all_final = pd.concat([daily_all, total_by_date], ignore_index=True)
     
+    # Определим порядок легенды, отсортировав по последнему кумулятивному значению
+    # (у кого больше — тот выше)
+    last_values = daily_all_final.groupby("user")["cumulative"].last().sort_values(ascending=False)
+    sorted_users = last_values.index.tolist()  # в порядке убывания
+    
+    # Явно зададим цвета
+    color_map = {
+        "Даша": "#1f77b4",   # синий
+        "Лера": "#2ca02c",   # зелёный
+        "Света": "#d62728",  # красный
+        "Всего": "#9467bd"   # фиолетовый
+    }
+    
     # Строим накопительный (кумулятивный) график (линии)
-    # Используем Plotly, делая line chart
     fig = px.line(
         daily_all_final,
         x="date",
         y="cumulative",
         color="user",
-        title="Количество SMS",
+        title="Кумулятивное количество уникальных SMS",
         labels={
             "date": "Дата",
             "cumulative": "Накопительное количество SMS",
             "user": "Пользователь"
-        }
+        },
+        category_orders={"user": sorted_users},  # порядок в легенде
+        color_discrete_map=color_map
     )
     
-    # Прогноз с помощью Prophet (будем прогнозировать "Всего" до 28.02.2025)
-    # Берём total_by_date (уже есть 'date', 'cumulative')
+    # Прогноз с помощью Prophet (делаем для "Всего" до 28.02.2025)
     forecast_fig = None
     if len(total_by_date) > 1:
-        # Prophet требует колонки ds, y
         df_prophet = total_by_date[["date", "cumulative"]].copy()
         df_prophet.columns = ["ds", "y"]
         df_prophet["ds"] = pd.to_datetime(df_prophet["ds"])
         
-        # Создаём и обучаем модель
         model = Prophet()
         model.fit(df_prophet)
         
-        # Создаём DataFrame для будущего (до 28.02.2025)
-        future = model.make_future_dataframe(periods=0)  # сначала без будущего
+        # Рассчитаем, сколько дней до 28.02.2025
+        future = model.make_future_dataframe(periods=0)  # на случай, если уже после
         last_date = df_prophet["ds"].max()
-        # Посчитаем, сколько дней до 28.02.2025
         end_date = pd.to_datetime("2025-02-28")
         additional_days = (end_date - last_date).days
         if additional_days > 0:
             future = model.make_future_dataframe(periods=additional_days)
         
-        # Прогноз
         forecast = model.predict(future)
         
-        # Построим график: отобразим исторические данные + прогноз
-        # Можно с plotly, чтобы добавить пунктир.
-        # Для наглядности создадим merge таблицу:
-        # ds, y (история), yhat (прогноз) и т.д.
+        # Сопоставим исторические данные и прогноз
         df_plot = pd.merge(
             forecast[["ds", "yhat"]],
             df_prophet[["ds", "y"]],
             on="ds",
             how="left"
         )
+        df_history = df_plot.dropna(subset=["y"])    # исторические точки
+        df_future = df_plot[df_plot["y"].isna()]     # будущее
         
-        # Чтобы отобразить пунктиром прогноз, разделим:
-        #  - где y есть (история)
-        #  - где y нет (будущее)
-        df_history = df_plot.dropna(subset=["y"])
-        df_future = df_plot[df_plot["y"].isna()]
-        
+        # Отдельный график
         forecast_fig = px.line(
             df_history,
             x="ds",
             y="y",
             title="Прогноз до конца февраля 2025 (всего)",
-            labels={
-                "ds": "Дата",
-                "value": "Количество SMS"
-            }
+            labels={"ds": "Дата", "y": "Накопленное число SMS"}
         )
         forecast_fig.add_scatter(
             x=df_future["ds"],
@@ -170,10 +172,7 @@ def process_data():
             name="Прогноз",
             line=dict(dash="dash", color="red")
         )
-        forecast_fig.update_layout(
-            showlegend=True,
-            legend=dict(x=0, y=1)
-        )
+        forecast_fig.update_layout(showlegend=True)
     
     return (bars_html, fig, forecast_fig)