Update app.py

app.py

@@ -1,8 +1,6 @@
 import gradio as gr
 import pandas as pd
 import plotly.express as px
-
-# Для Prophet
 from prophet import Prophet
 
 # Ссылки на CSV-файлы
@@ -27,7 +25,7 @@ def read_and_process_data(url, user_name):
     # Количество уникальных SMS
     unique_count = len(df_unique)
     
-    # Переводим timestamp -> date (UTC)
+    # Переводим 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
@@ -40,6 +38,54 @@ def read_and_process_data(url, user_name):
     
     return unique_count, df_daily
 
+def make_naive_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.
+    
+    Возвращает DataFrame с колонками ["ds", "yhat"], начиная с (last_date+1) по end_date_str.
+    """
+    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()
+    
+    last_date = df_tmp["date"].max()
+    last_cumulative = df_tmp["cumulative"].iloc[-1]  # последнее накопленное значение
+    
+    end_date = pd.to_datetime(end_date_str)
+    
+    # Составляем прогноз, двигаясь по календарю день за днём
+    current_date = last_date
+    naive_data = []
+    running_total = last_cumulative
+    
+    while current_date < end_date:
+        current_date = 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
+
 def process_data():
     # Считываем и обрабатываем все репозитории
     dasha_count, dasha_daily = read_and_process_data(URL_DASHA, "Даша")
@@ -57,7 +103,6 @@ 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:
@@ -82,14 +127,13 @@ def process_data():
     
     # Собираем единый DataFrame по дням
     daily_all = pd.concat([dasha_daily, lera_daily, sveta_daily], ignore_index=True)
-    # Уберём NaT
-    daily_all = daily_all.dropna(subset=["date"])
+    daily_all = daily_all.dropna(subset=["date"])  # убираем NaT
     
     # Считаем кумулятивное количество SMS отдельно для каждого пользователя
     daily_all = daily_all.sort_values(by=["user", "date"])
     daily_all["cumulative"] = daily_all.groupby("user")["count"].cumsum()
     
-    # Чтобы отразить "Всего", добавим user="Всего"
+    # Складываем в "Всего" по датам
     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()
@@ -98,10 +142,9 @@ 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)
+    # Определим порядок легенды по последнему кумулятивному значению (убывание)
     last_values = daily_all_final.groupby("user")["cumulative"].last().sort_values(ascending=False)
-    sorted_users = last_values.index.tolist()  # в порядке убывания
+    sorted_users = last_values.index.tolist()
     
     # Явно зададим цвета
     color_map = {
@@ -111,69 +154,88 @@ def process_data():
         "Всего": "#9467bd"   # фиолетовый
     }
     
-    # Строим накопительный (кумулятивный) график (линии)
+    # Строим накопительный (кумулятивный) график (линии) по факту
     fig = px.line(
         daily_all_final,
         x="date",
         y="cumulative",
         color="user",
         title="Накопительное количество SMS",
-        labels={
-            "date": "Дата",
-            "cumulative": "Накопительное количество SMS",
-            "user": "Редактор"
-        },
-        category_orders={"user": sorted_users},  # порядок в легенде
+        labels={"date": "Дата", "cumulative": "Накопленное количество SMS", "user": "Редактор"},
+        category_orders={"user": sorted_users},
         color_discrete_map=color_map
     )
     
-    # Прогноз с помощью Prophet (делаем для "Всего" до 28.02.2025)
+    # -----------------------
+    # Прогнозы (Prophet + Наивный)
+    # -----------------------
+    
     forecast_fig = None
-    if len(total_by_date) > 1:
+    
+    # Сформируем DF для Prophet из "Всего"
+    # (Если данных мало, проверим, чтобы не было пусто)
+    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
         model = Prophet()
         model.fit(df_prophet)
         
-        # 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()
         end_date = pd.to_datetime("2025-02-28")
+        last_date = df_prophet["ds"].max()
         additional_days = (end_date - last_date).days
+        
+        future = model.make_future_dataframe(periods=0)
         if additional_days > 0:
             future = model.make_future_dataframe(periods=additional_days)
         
         forecast = model.predict(future)
         
-        # Сопоставим исторические данные и прогноз
+        # Сопоставим исторические точки (y) и прогноз (yhat)
         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
+        df_history = df_plot.dropna(subset=["y"])  # исторические данные
+        df_future = df_plot[df_plot["y"].isna()]   # будущее (прогноз prophet)
+        
+        # 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")
         
-        # Отдельный график
+        # Формируем общий график для сравнения
         forecast_fig = px.line(
             df_history,
             x="ds",
             y="y",
-            title="Прогноз до конца февраля 2025 (всего)",
-            labels={"ds": "Дата", "y": "Накопительное количество SMS"}
+            title="Два прогноза до конца февраля 2025 (всего)",
+            labels={"ds": "Дата", "y": "Накопленное число SMS"}
         )
         forecast_fig.add_scatter(
             x=df_future["ds"],
             y=df_future["yhat"],
             mode="lines",
-            name="Прогноз",
+            name="Прогноз (Prophet)",
             line=dict(dash="dash", color="red")
         )
+        
+        # Добавим наивный прогноз
+        if not df_naive.empty:
+            forecast_fig.add_scatter(
+                x=df_naive["ds"],
+                y=df_naive["yhat"],
+                mode="lines",
+                name="Прогноз (Наивн., будни)",
+                line=dict(dash="dash", color="green")
+            )
+        
         forecast_fig.update_layout(showlegend=True)
-    
+
     return (bars_html, fig, forecast_fig)
 
 with gr.Blocks() as demo:
@@ -181,7 +243,7 @@ with gr.Blocks() as demo:
     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)")
-    forecast_output = gr.Plot(label="Прогноз до конца февраля 2025 (всего)")
+    forecast_output = gr.Plot(label="Сравнение прогнозов до конца февраля 2025 (всего)")
     
     btn.click(fn=process_data, outputs=[html_output, plot_output, forecast_output])