Update app.py

app.py

@@ -19,94 +19,80 @@ def read_and_process_data(url, user_name):
     cols = ["gender", "generation", "industry", "opf", "timestamp"]
     df = df[[c for c in cols if c in df.columns]].copy()
     
-    # Убираем дубликаты по 4 ключевым столбцам
+    # Убираем дубликаты по ключевым столбцам
     df_unique = df.drop_duplicates(subset=["gender", "generation", "industry", "opf"])
     
     # Количество уникальных SMS
     unique_count = len(df_unique)
     
-    # Переводим timestamp -> date
+    # Преобразуем timestamp -> date
     if "timestamp" in df_unique.columns:
         df_unique["timestamp"] = pd.to_numeric(df_unique["timestamp"], errors='coerce')
         df_unique["date"] = pd.to_datetime(df_unique["timestamp"], unit="s", origin="unix", errors='coerce').dt.date
     else:
         df_unique["date"] = pd.NaT
     
-    # Сгруппируем по дате, чтобы получить количество за каждый день
+    # Сгруппируем по дате, чтобы получить кол-во за каждый день
     df_daily = df_unique.groupby("date").size().reset_index(name="count")
     df_daily["user"] = user_name
     
     return unique_count, df_daily
 
-def make_naive_forecast(total_by_date, end_date_str="2025-02-28"):
+def make_average_forecast(total_by_date, end_date_str="2025-02-28"):
     """
-    Строит «наивный» прогноз до указанной даты (end_date_str),
-    считая среднее дневное приращение только по будням (Mon-Fri).
-    В выходные (Sat/Sun) прирост = 0.
+    Строит «прогноз по среднему» до указанной даты (end_date_str),
+    считая средний дневной прирост (по всем дням, без исключения выходных).
     
-    Возвращает DataFrame с колонками ["ds", "yhat"], начиная с (last_date+1) по end_date_str.
+    Возвращает DataFrame с колонками ["ds", "yhat"], 
+    начиная с (last_date+1) по end_date_str (включительно).
     """
     if total_by_date.empty:
         return pd.DataFrame(columns=["ds", "yhat"])
     
-    # Превращаем date -> datetime, чтобы работать с днем недели
     df_tmp = total_by_date.copy()
     df_tmp["date"] = pd.to_datetime(df_tmp["date"])
     
-    # Средний дневной прирост по будням
-    # Прирост за день хранится в столбце "count"
-    # Фильтруем по будням (понедельник=0 ... пятница=4)
-    df_weekdays = df_tmp[df_tmp["date"].dt.weekday < 5]
-    if len(df_weekdays) == 0:
-        avg_inc = 0
-    else:
-        avg_inc = df_weekdays["count"].mean()
+    # Средний дневной прирост (столбец "count") по всем дням
+    avg_inc = df_tmp["count"].mean() if len(df_tmp) else 0
     
     last_date = df_tmp["date"].max()
-    last_cumulative = df_tmp["cumulative"].iloc[-1]  # последнее накопленное значение
+    last_cumulative = df_tmp["cumulative"].iloc[-1]
     
     end_date = pd.to_datetime(end_date_str)
     
-    # Составляем прогноз, двигаясь по календарю день за днём
+    # Движемся по календарю день за днём
     current_date = last_date
-    naive_data = []
+    forecast_data = []
     running_total = last_cumulative
     
     while current_date < end_date:
-        current_date = current_date + pd.Timedelta(days=1)
+        current_date += pd.Timedelta(days=1)
         if current_date > end_date:
             break
-        # Проверяем, будний ли это день (0..4)
-        if current_date.weekday() < 5:
-            running_total += avg_inc  # добавляем среднее приращение
-        # Записываем точку прогноза
-        naive_data.append({"ds": current_date, "yhat": running_total})
-    
-    # Превращаем в DataFrame
-    df_naive = pd.DataFrame(naive_data)
-    return df_naive
+        # Прибавляем средний прирост независимо от выходного или буднего дня
+        running_total += avg_inc
+        forecast_data.append({"ds": current_date, "yhat": running_total})
+    
+    return pd.DataFrame(forecast_data)
 
 def process_data():
-    # Считываем и обрабатываем все репозитории
+    # Шаг 1: Считываем CSV по каждому репозиторию (Даша, Лера, Света)
     dasha_count, dasha_daily = read_and_process_data(URL_DASHA, "Даша")
     lera_count, lera_daily = read_and_process_data(URL_LERA, "Лера")
     sveta_count, sveta_daily = read_and_process_data(URL_SVETA, "Света")
     
-    # Суммарное количество
+    # Сумма
     total_count = dasha_count + lera_count + sveta_count
     
-    # Проценты (округляем до целого)
+    # Подсчитываем проценты
     dasha_percent = round((dasha_count / 234) * 100) if 234 else 0
     lera_percent = round((lera_count / 234) * 100) if 234 else 0
     sveta_percent = round((sveta_count / 234) * 100) if 234 else 0
     total_percent = round((total_count / 702) * 100) if 702 else 0
     
-    # Генерируем HTML-прогресс-бары
+    # Генерируем HTML для прогресс-баров
     def get_progress_bar(label, abs_val, pct):
-        if label in ["Даша", "Лера", "Света"]:
-            capacity = 234
-        else:
-            capacity = 702
+        capacity = 234 if label in ["Даша", "Лера", "Света"] else 702
         return f"""
         <div style='margin-bottom: 1em;'>
             <div><strong>{label}</strong></div>
@@ -125,36 +111,35 @@ def process_data():
         get_progress_bar("Всего", total_count, total_percent)
     )
     
-    # Собираем единый DataFrame по дням
+    # Шаг 2: Готовим общий датафрейм по датам
     daily_all = pd.concat([dasha_daily, lera_daily, sveta_daily], ignore_index=True)
     daily_all = daily_all.dropna(subset=["date"])  # убираем NaT
     
-    # Считаем кумулятивное количество SMS отдельно для каждого пользователя
+    # Считаем кумулятивное значение для каждого пользователя
     daily_all = daily_all.sort_values(by=["user", "date"])
     daily_all["cumulative"] = daily_all.groupby("user")["count"].cumsum()
     
-    # Складываем в "Всего" по датам
+    # «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()
     total_by_date["user"] = "Всего"
     
-    # Объединим с daily_all
+    # Объединяем
     daily_all_final = pd.concat([daily_all, total_by_date], ignore_index=True)
     
-    # Определим порядок легенды по последнему кумулятивному значению (убывание)
+    # Сортируем легенду: у кого итог больше, тот сверху
     last_values = daily_all_final.groupby("user")["cumulative"].last().sort_values(ascending=False)
     sorted_users = last_values.index.tolist()
     
-    # Явно зададим цвета
     color_map = {
-        "Даша": "#1f77b4",   # синий
-        "Лера": "#2ca02c",   # зелёный
-        "Света": "#d62728",  # красный
-        "Всего": "#9467bd"   # фиолетовый
+        "Даша": "#1f77b4",
+        "Лера": "#2ca02c",
+        "Света": "#d62728",
+        "Всего": "#9467bd"
     }
     
-    # Строим накопительный (кумулятивный) график (линии) по факту
+    # Строим накопительный график
     fig = px.line(
         daily_all_final,
         x="date",
@@ -166,20 +151,16 @@ def process_data():
         color_discrete_map=color_map
     )
     
-    # -----------------------
-    # Прогнозы (Prophet + Наивный)
-    # -----------------------
-    
+    # Шаг 3: Два прогноза
     forecast_fig = None
     
-    # Сформируем DF для Prophet из "Всего"
-    # (Если данных мало, проверим, чтобы не было пусто)
+    # Если есть данные "Всего", делаем прогноз
     if not total_by_date.empty:
         df_prophet = total_by_date[["date", "cumulative"]].copy()
         df_prophet.columns = ["ds", "y"]
         df_prophet["ds"] = pd.to_datetime(df_prophet["ds"])
         
-        # 1) Prophet
+        # Прогноз Prophet
         model = Prophet()
         model.fit(df_prophet)
         
@@ -187,28 +168,26 @@ def process_data():
         last_date = df_prophet["ds"].max()
         additional_days = (end_date - last_date).days
         
-        future = model.make_future_dataframe(periods=0)
+        future = model.make_future_dataframe(periods=0)  # если уже после
         if additional_days > 0:
             future = model.make_future_dataframe(periods=additional_days)
         
         forecast = model.predict(future)
         
-        # Сопоставим исторические точки (y) и прогноз (yhat)
+        # Совмещаем
         df_plot = pd.merge(
             forecast[["ds", "yhat"]],
             df_prophet[["ds", "y"]],
             on="ds",
             how="left"
         )
-        df_history = df_plot.dropna(subset=["y"])  # исторические данные
-        df_future = df_plot[df_plot["y"].isna()]   # бу��ущее (прогноз prophet)
+        df_history = df_plot.dropna(subset=["y"])
+        df_future = df_plot[df_plot["y"].isna()]
         
-        # 2) Наивный прогноз (будни)
-        # Используем total_by_date (уже есть date, count, cumulative)
-        # Функция вернёт df_naive: ds, yhat
-        df_naive = make_naive_forecast(total_by_date, "2025-02-28")
+        # Прогноз по среднему (без учёта выходных — т. е. на каждый календарный день)
+        df_avg = make_average_forecast(total_by_date, "2025-02-28")
         
-        # Формируем общий график для сравнения
+        # Общий график для сравнения
         forecast_fig = px.line(
             df_history,
             x="ds",
@@ -216,6 +195,7 @@ def process_data():
             title="Прогноз до конца февраля 2025 (всего)",
             labels={"ds": "Дата", "y": "Накопленное число SMS"}
         )
+        # Prophet-пунктир
         forecast_fig.add_scatter(
             x=df_future["ds"],
             y=df_future["yhat"],
@@ -224,25 +204,26 @@ def process_data():
             line=dict(dash="dash", color="red")
         )
         
-        # Добавим наивный прогноз
-        if not df_naive.empty:
+        # Средний-пунктир
+        if not df_avg.empty:
             forecast_fig.add_scatter(
-                x=df_naive["ds"],
-                y=df_naive["yhat"],
+                x=df_avg["ds"],
+                y=df_avg["yhat"],
                 mode="lines",
-                name="Прогноз по среднему",
+                name="Прогноз (по среднему)",
                 line=dict(dash="dash", color="green")
             )
         
         forecast_fig.update_layout(showlegend=True)
 
+    # Возвращаем всё в Gradio
     return (bars_html, fig, forecast_fig)
 
 with gr.Blocks() as demo:
     gr.Markdown("<h2>Количество сохраненных SMS (Даша, Лера, Света)</h2>")
     btn = gr.Button("Обновить данные и показать результат")
     html_output = gr.HTML(label="Прогресс-бары: количество SMS и %")
-    plot_output = gr.Plot(label="Накопительный график по датам (Даша, Лера, Света, Всего)")
+    plot_output = gr.Plot(label="Накопительный график (Даша, Лера, Света, Всего)")
     forecast_output = gr.Plot(label="Прогноз до конца февраля 2025 (всего)")
     
     btn.click(fn=process_data, outputs=[html_output, plot_output, forecast_output])