File size: 35,603 Bytes
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
17d0ec6
 
 
 
 
 
 
 
 
 
 
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e05f9dd
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
103ce4f
 
e05f9dd
 
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e05f9dd
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e05f9dd
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e05f9dd
103ce4f
e05f9dd
103ce4f
 
 
 
 
 
e05f9dd
103ce4f
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
import streamlit as st
import pandas as pd
import plotly.express as px
import random
import time
import joblib
import os
import statsmodels
from dotenv import load_dotenv
import os
from groq import Groq
import html
from pydub import AudioSegment
import tempfile
from io import BytesIO
from fpdf import FPDF
from PIL import Image
from math import ceil
from datetime import datetime
from sklearn.metrics import r2_score
#from langchain.agents.agent_toolkits import create_csv_agent
#from langchain_groq import ChatGroq
# ===========================
# Función para generar datos ficticios
# ===========================
def generar_datos():
    meses = [
        "Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio",
        "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre"
    ]
    paises = ["México", "Colombia", "Argentina", "Chile", "Perú"]
    data = [
        {"mes": mes, "pais": pais, "Total": random.randint(100, 1000)}
        for mes in meses for pais in paises
    ]
    return pd.DataFrame(data), meses, paises

    
# ===========================
# Función para el dashboard principal
# ===========================
def mostrar_dashboard():
    # Cargar variables desde el archivo .env
    load_dotenv()

    # Acceder a la clave
    groq_key = os.getenv("GROQ_API_KEY")
    client = Groq(api_key=groq_key)
    
    dfDatos, meses, paises = generar_datos()
    
    # Opciones del selectbox
    lista_opciones = ['5 años', '3 años', '1 año', '5 meses']

    # Mostrar barra lateral
    mostrar_sidebar(client)

    # Título principal
    st.header(':bar_chart: Dashboard Sales')
    
    # Mostrar gráficos
    mostrar_graficos(lista_opciones)

# ===========================
# Configuración inicial de la página
# ===========================
#def configurar_pagina():
    #st.set_page_config(
    #   page_title="Dashboard Sales",
    #    page_icon=":smile:",
    #    layout="wide",
    #    initial_sidebar_state="expanded"
    #)
    
    

# ===========================
# Función para la barra lateral
# ===========================
def mostrar_sidebar(client):
    """ 

    Windows

    sidebar_logo = "paginas/images/Logo general.png"

    main_body_logo = "paginas/images/Logo.png"

    sidebar_logo_dashboard = "paginas/images/Logo dashboard.png"



    """  
    sidebar_logo = "paginas/images/Logo general.png"
    main_body_logo = "paginas/images/Logo.png"
    sidebar_logo_dashboard = "paginas/images/Logo dashboard.png"


    st.logo(sidebar_logo, size="large", icon_image=main_body_logo)
    
    st.sidebar.image(sidebar_logo_dashboard)
    st.sidebar.title('🧠 GenAI Forecast')
    
    uploaded_file = selectedFile()
    verifyFile(uploaded_file)
    archivo_csv = "df_articles.csv"
    chatBotProtech(client)   
    downloadCSV(archivo_csv)
    closeSession()

    

def closeSession():
    if st.sidebar.button("Cerrar Sesión"):
        cerrar_sesion()
        

def guardar_graficas_como_imagen(figuras: dict):
    rutas_imagenes = []
    temp_dir = tempfile.gettempdir()

    for nombre, figura in figuras.items():
        ruta_png = os.path.join(temp_dir, f"{nombre}.png")
        ruta_jpeg = os.path.join(temp_dir, f"{nombre}.jpg")

        # Guardar como PNG primero
        figura.write_image(ruta_png, width=900, height=500, engine="kaleido")

        # Convertir a JPEG usando PIL
        with Image.open(ruta_png) as img:
            rgb_img = img.convert("RGB")  # Asegura formato compatible con JPEG
            rgb_img.save(ruta_jpeg, "JPEG", quality=95)

        rutas_imagenes.append((nombre, ruta_jpeg))

        # Opcional: borrar el PNG temporal
        os.remove(ruta_png)

    return rutas_imagenes

def generateHeaderPDF(pdf):
    # Logo
    logo_path = r"paginas\images\Logo general.png"
    if os.path.exists(logo_path):
        pdf.image(logo_path, x=7, y=6, w=35)

    # Título centrado
    pdf.set_font('Arial', 'B', 16)
    pdf.set_xy(5, 10)
    pdf.cell(w=0, h=10, txt="Reporte del Dashboard de Ventas", border=0, ln=0, align='C')

    # Fecha lado derecho
    fecha = datetime.now().strftime("%d/%m/%Y")
    pdf.set_xy(-40, 5)
    pdf.set_font('Arial', '', 10)
    pdf.cell(w=30, h=10, txt=fecha, border=0, ln=0, align='R')

    pdf.ln(15)

def generateFooterPDF(pdf):
    pdf.set_y(-30)
    pdf.set_font('Arial', 'I', 8)
    pdf.set_text_color(100)
    pdf.cell(0, 5, "PRO TECHNOLOGY SOLUTIONS S.A.C - Área de ventas", 0, 1, 'C')
    pdf.cell(0, 5, "Reporte generado automáticamente por el sistema de análisis", 0, 1, 'C')
    pdf.cell(0, 5, f"Página {pdf.page_no()}", 0, 0, 'C')

def generateContentPDF(pdf, imagenes):
    for i in range(0, len(imagenes), 2):
        pdf.add_page()

        generateHeaderPDF(pdf)

        # Primera imagen
        titulo1, ruta1 = imagenes[i]
        if os.path.exists(ruta1):
            img1 = Image.open(ruta1).convert("RGB")
            ruta_color1 = ruta1.replace(".png", "_color.png")
            img1.save(ruta_color1)
            pdf.image(ruta_color1, x=10, y=30, w=180)

        # Segunda imagen
        if i + 1 < len(imagenes):
            titulo2, ruta2 = imagenes[i + 1]
            if os.path.exists(ruta2):
                img2 = Image.open(ruta2).convert("RGB")
                ruta_color2 = ruta2.replace(".png", "_color.png")
                img2.save(ruta_color2)
                pdf.image(ruta_color2, x=10, y=150, w=180)

        generateFooterPDF(pdf)

def generar_reporte_dashboard(imagenes):
    pdf = FPDF(orientation='P', unit='mm', format='A4')
    pdf.set_auto_page_break(auto=True, margin=15)

    generateContentPDF(pdf, imagenes)

    ruta_pdf = "reporte.pdf"
    pdf.output(ruta_pdf)
    return ruta_pdf


# Función para obtener los meses relevantes
def obtener_meses_relevantes(df):
    # Extraemos los años y meses de la columna 'Date'
    df['Year'] = pd.to_datetime(df['orddt']).dt.year
    df['Month'] = pd.to_datetime(df['orddt']).dt.month

    # Encontramos el primer y último año en el dataset
    primer_ano = df['Year'].min()
    ultimo_ano = df['Year'].max()

    meses_relevantes = []
    nombres_meses_relevantes = []
    
    # Recorrer todos los años dentro del rango
    for ano in range(primer_ano, ultimo_ano + 1):
        for mes in [1, 4, 7, 10]:  # Meses relevantes: enero (1), abril (4), julio (7), octubre (10)
            if mes in df[df['Year'] == ano]['Month'].values:
                # Obtener el nombre del mes
                nombre_mes = pd.to_datetime(f"{ano}-{mes}-01").strftime('%B')  # Mes en formato textual (Enero, Abril, etc.)
                meses_relevantes.append(f"{nombre_mes}-{ano}")
                nombres_meses_relevantes.append(f"{nombre_mes}-{ano}")
    
    return meses_relevantes, nombres_meses_relevantes


# ===========================
# Función para gráficos
# ===========================
def mostrar_graficos(lista_opciones):
    if "archivo_subido" not in st.session_state or not st.session_state.archivo_subido:
        st.warning("Por favor, sube un archivo CSV válido para visualizar los gráficos.")
        return

    df = st.session_state.df_subido.copy()

# --- Tarjetas con métricas clave ---
    # Tasa de crecimiento por fecha si existe
    total_ventas = df["sales"].sum()
    promedio_ventas = df["sales"].mean()

    st.subheader("📈 Resumen General")
    

    # Tasa de crecimiento por fecha si existe
    df['orddt'] = pd.to_datetime(df['orddt'], errors='coerce')
    
    #Total de ventas
    total_ventas = df['sales'].sum()
    promedio_ventas = df['sales'].mean()
    total_registros = df.shape[0]

    # Tasa de crecimiento
    df_filtrado = df.dropna(subset=['orddt'])
    df_filtrado['mes_anio'] = df_filtrado['orddt'].dt.to_period('M')
    ventas_por_mes = df_filtrado.groupby('mes_anio')['sales'].sum().sort_index()

    tasa_crecimiento = None
    if len(ventas_por_mes) >= 2:
        primera_venta = ventas_por_mes.iloc[0]
        ultima_venta = ventas_por_mes.iloc[-1]
        if primera_venta != 0:
            tasa_crecimiento = ((ultima_venta - primera_venta) / primera_venta) * 100

    tarjetas = [
        {"titulo": "Total de Ventas", "valor": abreviar_monto(total_ventas), "color": "#4CAF50"},
        {"titulo": "Promedio de Ventas", "valor": f"${promedio_ventas:,.0f}", "color": "#2196F3"},
        {"titulo": "Ventas registradas", "valor": total_registros, "color": "#9C27B0"},
        {"titulo": "Tasa de crecimiento", "valor": f"{tasa_crecimiento:.2f}%" if tasa_crecimiento is not None else "N/A", "color": "#FF5722"},
    ]

    col1, col2, col3, col4 = st.columns(4)
    cols = [col1, col2, col3, col4]

    for i, tarjeta in enumerate(tarjetas):
        with cols[i]:
            st.markdown(f"""

                <div style='background-color:{tarjeta["color"]}; padding:20px; border-radius:10px; color:white; text-align:center;'>

                    <h4 style='margin:0;'>{tarjeta["titulo"]}</h4>

                    <h2 style='margin:0;'>{tarjeta["valor"]}</h2>

                </div>

            """, unsafe_allow_html=True)

    st.markdown("---")
    
    # Opciones de modelos (incluye una opción por defecto)
    opciones_modelos = ["(Sin predicción)"] + ["LightGBM", "XGBoost", 
                                               "HistGradientBoosting", 
                                               "MLPRegressor", "GradientBoosting", 
                                               "RandomForest", "CatBoost"]

    col_select, col_plot = st.columns([1, 5])

    with col_select:
        modelo_seleccionado = st.selectbox("Selecciona un modelo", opciones_modelos)

    with col_plot.container(border=True):
        if modelo_seleccionado == "(Sin predicción)":
            if modelo_seleccionado == "(Sin predicción)":
                df_real = df.copy()
                df_real = df_real.dropna(subset=["orddt", "sales"])  

                fig_real = px.scatter(
                    df_real,
                    x="orddt",
                    y="sales",
                    trendline="ols",  # Línea de regresión
                    color_discrete_sequence=["#1f77b4"],
                    trendline_color_override="orange",
                    labels={"sales": "Ventas", "orddt": "Fecha"},
                    title="Ventas Reales (Dispersión + Tendencia)",
                    width=600,
                    height=400
                )

                fig_real.update_traces(marker=dict(size=6), selector=dict(mode='markers'))
                fig_real.update_layout(
                    template="plotly_white",
                    margin=dict(l=40, r=40, t=60, b=40),
                    legend_title_text="Datos",
                    showlegend=True
                )

                st.plotly_chart(fig_real, use_container_width=True)

        else:
            # Cargar modelo .pkl correspondiente
            modelo_path = f"regressionmodels/{modelo_seleccionado.lower()}.pkl"
            modelo = joblib.load(modelo_path)

            # Preparar datos
            df_pred = df.copy()
            df_pred = df_pred.dropna(subset=["orddt"])
            X_nuevo = df_pred.drop(columns=["sales"])  # Asegúrate que coincida con el modelo
            y_pred = modelo.predict(X_nuevo)
            df_pred["pred"] = y_pred

            # Calcular precisión del modelo
            r2 = r2_score(df_pred["sales"], df_pred["pred"])

            # Gráfico de dispersión con línea de regresión
            fig_pred = px.scatter(
                df_pred,
                x="sales",
                y="pred",
                trendline="ols",
                color_discrete_sequence=["#1f77b4"],
                trendline_color_override="orange",
                labels={"sales": "Ventas Reales", "pred": "Ventas Predichas"},
                title=f"Ventas Reales vs Predicción ({modelo_seleccionado})<br><sup>Precisión (R²): {r2:.3f}</sup>",
                width=600, height=400
            )
            fig_pred.update_traces(marker=dict(size=6), selector=dict(mode='markers'))
            fig_pred.update_layout(
                legend_title_text='Datos',
                template="plotly_white",
                showlegend=True
            )
            st.plotly_chart(fig_pred, use_container_width=True)



    # Fila 1: 3 gráficas
    col1, col2 = st.columns(2)
    with col1:
        with col1.container(border=True):
            fig1 = px.histogram(df, x='sales', title='Distribución de Ventas',
                                color_discrete_sequence=['#1f77b4'])
            
            fig1.update_layout(
                template="plotly_white",
                margin=dict(l=40, r=40, t=60, b=40),
                width=600,
                height=400,
                legend_title_text="Leyenda"
            )
            fig1.update_traces(marker=dict(line=dict(width=0.5, color='white')))

            st.plotly_chart(fig1, use_container_width=True)

    with col2:
        with col2.container(border=True):
            fig2 = px.box(df, x='segmt', y='sales', title='Ventas por Segmento',
                        color='segmt', color_discrete_sequence=px.colors.qualitative.Plotly)
            st.plotly_chart(fig2, use_container_width=True)

    # Fila 2: 2 gráficas
    col4, col5 = st.columns(2)
    with col4:
        with col4.container(border=True):
            fig4 = px.pie(df, names='categ', values='sales', title='Ventas por Categoría',
                        color_discrete_sequence=px.colors.qualitative.Set3)
            st.plotly_chart(fig4, use_container_width=True)

    with col5:
        top_productos = (
            df.groupby('prdna')['sales']
            .sum()
            .sort_values(ascending=False)
            .head(10)
            .reset_index()
        )
        with col5.container(border=True):
            fig5 = px.bar(
                top_productos,
                x='sales',
                y='prdna',
                orientation='h',
                title='Top 10 productos más vendidos',
                labels={'sales': 'Ventas', 'prdna': 'Producto'},
                color='sales',
                color_continuous_scale='Blues'
            )

            fig5.update_layout(yaxis={'categoryorder': 'total ascending'})
            st.plotly_chart(fig5, use_container_width=True)

    col6, col7 = st.columns(2)
    with col6:
        with col6.container(border=True):
            tabla = df.pivot_table(index='state', columns='subct', values='sales', aggfunc='sum').fillna(0)

            if not tabla.empty:
                tabla = tabla.astype(float)
                fig6 = px.imshow(
                    tabla.values,
                    labels=dict(x="Categoría", y="Estado", color="Ventas"),
                    x=tabla.columns,
                    y=tabla.index,
                    text_auto=True,
                    title="Mapa de Calor: Ventas por distrito y categoría",
                    color_continuous_scale="Viridis"
                )
                st.plotly_chart(fig6, use_container_width=True)
            else:
                st.warning("No hay datos suficientes para mostrar el mapa de calor.")

    with col7:
        ventas_estado = df.groupby('state')['sales'].sum().reset_index()
        with col7.container(border=True):
            fig7 = px.bar(ventas_estado, x='state', y='sales', title='Ventas por distrito',
                        color='sales', color_continuous_scale='Teal')
            st.plotly_chart(fig7, use_container_width=True)

    if st.button("📄 Generar Reporte PDF del Dashboard"):
        figs = [fig1, fig2, fig4, fig5, fig6, fig7]

        figuras = {}
        for fig in figs:
            titulo = fig.layout.title.text or "Sin Título"
            figuras[titulo] = fig

        st.info("Generando imágenes de las gráficas...")
        imagenes = guardar_graficas_como_imagen(figuras)
        st.info("Generando PDF...")
        ruta_pdf = generar_reporte_dashboard(imagenes)

        with open(ruta_pdf, "rb") as f:
            st.download_button("⬇️ Descargar Reporte PDF", f, file_name="reporte_dashboard.pdf")



def abreviar_monto(valor):
    if valor >= 1_000_000:
        return f"${valor / 1_000_000:.2f}M"
    elif valor >= 1_000:
        return f"${valor / 1_000:.2f}K"
    else:
        return f"${valor:.2f}"
    
# -------------------------------
# CARGA DE CSV Y GUARDADO EN SESIÓN
# -------------------------------

def loadCSV():
    columnas_requeridas = [
        'rowid','ordid','orddt','shpdt',
        'segmt','state','cono','prodid',
        'categ','subct','prdna','sales',
        'order_month','order_day','order_year',
        'order_dayofweek','shipping_delay'
    ]
    with st.sidebar.expander("📁 Subir archivo"):
        uploaded_file = st.file_uploader("Sube un archivo CSV:", type=["csv"], key="upload_csv")

    if uploaded_file is not None:
        # Reseteamos el estado de 'descargado' cuando se sube un archivo
        st.session_state.descargado = False
        st.session_state.archivo_subido = False  # Reinicia el estado
        try:
            # Leer el archivo subido
            df = pd.read_csv(uploaded_file)

            # Verificar que las columnas estén presentes y en el orden correcto
            if list(df.columns) == columnas_requeridas:
                st.session_state.df_subido = df
                st.session_state.archivo_subido = True
                aviso = st.sidebar.success("✅ Archivo subido correctamente.")
                time.sleep(3)
                aviso.empty()
                

            else:
                st.session_state.archivo_subido = False
                aviso = st.sidebar.error(f"El archivo no tiene las columnas requeridas: {columnas_requeridas}.")
                time.sleep(3)
                aviso.empty()
            
        except Exception as e:
            aviso = st.sidebar.error(f"Error al procesar el archivo: {str(e)}")
            time.sleep(3)
            aviso.empty()

# -------------------------------
# Mostrar uploader y manejar estado
# -------------------------------
def selectedFile():
    with st.sidebar.expander("📁 Subir archivo"):
        uploaded_file = st.file_uploader("Sube un archivo CSV:", type=["csv"], key="upload_csv")

    if uploaded_file is not None:
        st.session_state.descargado = False
        st.session_state.archivo_subido = False
        return uploaded_file
    return None

# -------------------------------
# Procesar y validar archivo (con cache)
# -------------------------------
@st.cache_data
def loadCSV(uploaded_file):
    columnas_requeridas = [
        'rowid','ordid','orddt','shpdt',
        'segmt','state','cono','prodid',
        'categ','subct','prdna','sales',
        'order_month','order_day','order_year',
        'order_dayofweek','shipping_delay'
    ]
    
    df = pd.read_csv(uploaded_file)

    if list(df.columns) == columnas_requeridas:
        return df, None
    else:
        return None, f"❌ El archivo no tiene las columnas requeridas: {columnas_requeridas}"

# -------------------------------
# Procesar y validar archivo (con cache)
# -------------------------------
def verifyFile(uploadedFile):
    if uploadedFile:
        try:
            df, error = loadCSV(uploadedFile)
            if error is None:
                st.session_state.df_subido = df
                st.session_state.archivo_subido = True
                aviso = st.sidebar.success("✅ Archivo subido correctamente.")
            else:
                aviso = st.sidebar.error(error)
            time.sleep(3)
            aviso.empty()

        except Exception as e:
            aviso = st.sidebar.error(f"⚠️ Error al procesar el archivo: {str(e)}")
            time.sleep(3)
            aviso.empty()

# ===========================
# Función para descargar archivo CSV
# ===========================
def downloadCSV(archivo_csv):
    # Verificamos si el archivo ya ha sido descargado
    if 'descargado' not in st.session_state:
        st.session_state.descargado = False

    if not st.session_state.descargado:
        descarga = st.sidebar.download_button(
            label="Descargar archivo CSV",
            data=open(archivo_csv, "rb"),
            file_name="ventas.csv",
            mime="text/csv"
        )
        if descarga:
            # Marcamos el archivo como descargado
            st.session_state.descargado = True
            aviso = st.sidebar.success("¡Descarga completada!")
            # Hacer que el mensaje desaparezca después de 2 segundos
            time.sleep(3)
            aviso.empty()
    else:
        aviso = st.sidebar.success("¡Ya has descargado el archivo!")
        time.sleep(3)
        aviso.empty()

# -------------------------------
# FUNCIÓN PARA DETECTAR REFERENCIA AL CSV
# -------------------------------
def detectedReferenceToCSV(prompt: str) -> bool:
    palabras_clave = ["csv", "archivo", "contenido cargado", "file", "dataset"]
    prompt_lower = prompt.lower()
    return any(palabra in prompt_lower for palabra in palabras_clave)

# ===========================
# Función para interactuar con el bot
# ===========================
def seleccionar_modelo_llm():
    modelos_disponibles = {
        "Alibaba Cloud - Qwen QWQ 32B": "qwen-qwq-32b",
        "Alibaba Cloud - Qwen3 32B": "qwen/qwen3-32b",
        "DeepSeek - LLaMA 70B Distill": "deepseek-r1-distill-llama-70b",
        "Google - Gemma2 9B IT": "gemma2-9b-it",
        "Meta - LLaMA 3.1 8B Instant": "llama-3.1-8b-instant",
        "Meta - LLaMA 3.3 70B Versatile": "llama-3.3-70b-versatile",
        "Meta - LLaMA 3 70B": "llama3-70b-8192",
        "Meta - LLaMA 3 8B": "llama3-8b-8192",
        "Meta - LLaMA 4 Maverick 17B": "meta-llama/llama-4-maverick-17b-128e-instruct",
        "Meta - LLaMA 4 Scout 17B": "meta-llama/llama-4-scout-17b-16e-instruct",
        "Meta - LLaMA Guard 4 12B": "meta-llama/llama-guard-4-12b",
        "Meta - Prompt Guard 2 22M": "meta-llama/llama-prompt-guard-2-22m",
        "Meta - Prompt Guard 2 86M": "meta-llama/llama-prompt-guard-2-86m",
        "Mistral - Saba 24B": "mistral-saba-24b"
    }

    seleccion = st.selectbox(
        "🧠 Elige un modelo LLM de Groq:",
        list(modelos_disponibles.keys())
    )

    return modelos_disponibles[seleccion]


def chatBotProtech(client):
    with st.sidebar.expander("📁 Chatbot"):
        
        modelo_llm = seleccionar_modelo_llm()

        # Inicializar estados
        if "chat_history" not in st.session_state:
            st.session_state.chat_history = []

        if "audio_data" not in st.session_state:
            st.session_state.audio_data = None

        if "transcripcion" not in st.session_state:
            st.session_state.transcripcion = ""

        if "mostrar_grabador" not in st.session_state:
            st.session_state.mostrar_grabador = True

        # Contenedor para mensajes
        messages = st.container(height=400)
            
        # CSS: estilo tipo Messenger
        st.markdown("""

            <style>

                .chat-message {

                    display: flex;

                    align-items: flex-start;

                    margin: 10px 0;

                }

                .chat-message.user {

                    justify-content: flex-end;

                }

                .chat-message.assistant {

                    justify-content: flex-start;

                }

                .chat-icon {

                    width: 30px;

                    height: 30px;

                    border-radius: 50%;

                    background-color: #ccc;

                    display: flex;

                    align-items: center;

                    justify-content: center;

                    font-size: 18px;

                    margin: 0 5px;

                }

                .chat-bubble {

                    max-width: 70%;

                    padding: 10px 15px;

                    border-radius: 15px;

                    font-size: 14px;

                    line-height: 1.5;

                    word-wrap: break-word;

                }

                .chat-bubble.user {

                    background-color: #DCF8C6;

                    color: black;

                    border-top-right-radius: 0;

                }

                .chat-bubble.assistant {

                    background-color: #F1F0F0;

                    color: black;

                    border-top-left-radius: 0;

                }

            </style>

        """, unsafe_allow_html=True)

        # Mostrar historial de mensajes
        with messages:
            st.header("🤖 ChatBot Protech")
            for message in st.session_state.chat_history:
                role = message["role"]
                content = html.escape(message["content"])  # Escapar contenido HTML
                bubble_class = "user" if role == "user" else "assistant"
                icon = "👤" if role == "user" else "🤖"

                # Mostrar el mensaje en una sola burbuja con ícono en el mismo bloque
                st.markdown(f"""

                    <div class="chat-message {bubble_class}">

                        <div class="chat-icon">{icon}</div>

                        <div class="chat-bubble {bubble_class}">{content}</div>

                    </div>

                """, unsafe_allow_html=True)
                
        # --- Manejar transcripción como mensaje automático ---
        if st.session_state.transcripcion:
            prompt = st.session_state.transcripcion
            st.session_state.transcripcion = ""

            st.session_state.chat_history.append({"role": "user", "content": prompt})

            with messages:
                st.markdown(f"""

                    <div class="chat-message user">

                        <div class="chat-bubble user">{html.escape(prompt)}</div>

                        <div class="chat-icon">👤</div>

                    </div>

                """, unsafe_allow_html=True)

            with messages:
                with st.spinner("Pensando..."):
                    completion = callModelLLM(client, prompt, modelo_llm)
                    response = ""
                    response_placeholder = st.empty()

                    for chunk in completion:
                        content = chunk.choices[0].delta.content or ""
                        response += content
                        response_placeholder.markdown(f"""

                            <div class="chat-message assistant">

                                <div class="chat-icon">🤖</div>

                                <div class="chat-bubble assistant">{response}</div>

                            </div>

                        """, unsafe_allow_html=True)

                    st.session_state.chat_history.append({"role": "assistant", "content": response})

        # Captura del input tipo chat
        if prompt := st.chat_input("Escribe algo..."):
            st.session_state.chat_history.append({"role": "user", "content": prompt})

            # Mostrar mensaje del usuario escapado
            with messages:
                
                st.markdown(f"""

                    <div class="chat-message user">

                        <div class="chat-bubble user">{prompt}</div>

                        <div class="chat-icon">👤</div>

                    </div>

                """, unsafe_allow_html=True)

            # Mostrar respuesta del asistente
            with messages:
                with st.spinner("Pensando..."):
                    completion = callModelLLM(client, prompt, modelo_llm)
                    response = ""
                    response_placeholder = st.empty()

                    for chunk in completion:
                        content = chunk.choices[0].delta.content or ""
                        response += content
                        
                        response_placeholder.markdown(f"""

                            <div class="chat-message assistant">

                                <div class="chat-icon">🤖</div>

                                <div class="chat-bubble assistant">{response}</div>

                            </div>

                        """, unsafe_allow_html=True)

                    st.session_state.chat_history.append({"role": "assistant", "content": response})
        
        # Grabación de audio (solo si está habilitada)
        if st.session_state.mostrar_grabador and st.session_state.audio_data is None:
            audio_data = st.audio_input("Graba tu voz aquí 🎤")
            if audio_data:
                st.session_state.audio_data = audio_data
                st.session_state.mostrar_grabador = False  # Ocultar input después de grabar
                st.rerun()  # Forzar recarga para ocultar input y evitar que reaparezca el audio cargado

        # Mostrar controles solo si hay audio cargado
        if st.session_state.audio_data:
            st.audio(st.session_state.audio_data, format="audio/wav")
            col1, col2 = st.columns(2)

            with col1:
                if st.button("✅ Aceptar grabación"):
                    with st.spinner("Convirtiendo y transcribiendo..."):
                        m4a_path = converter_bytes_m4a(st.session_state.audio_data)

                        with open(m4a_path, "rb") as f:
                            texto = callWhisper(client, m4a_path, f)

                        os.remove(m4a_path)

                        st.session_state.transcripcion = texto
                        st.session_state.audio_data = None
                        st.session_state.mostrar_grabador = True
                        st.rerun()

            with col2:
                if st.button("❌ Descartar grabación"):
                    st.session_state.audio_data = None
                    st.session_state.transcripcion = ""
                    st.session_state.mostrar_grabador = True
                    st.rerun()


def callModelLLM(client, prompt, idModel):
    completion = client.chat.completions.create(
        model=idModel,
        messages=[
            {
                "role": "system",
                "content": (
                    "Tu nombre es Protech, el asistente virtual de PRO TECHNOLOGY SOLUTIONS S.A.C. "
                    "Saluda al usuario con cordialidad y responde en español de forma clara, profesional y amable. "
                    "Debes responder como un asistente humano capacitado en atención al cliente. "
                    "Comienza con un saludo y pregunta: '¿En qué puedo ayudarte hoy?'."
                )
            },
            {"role": "user", "content": prompt}
        ],
        temperature=0.6,
        max_tokens=4096,
        top_p=1,
        stream=True,
    )
    return completion

def callWhisper(client, filename_audio,file):
    transcription = client.audio.transcriptions.create(
      file=(filename_audio, file.read()),
      model="whisper-large-v3",
      response_format="verbose_json",
    )
    return transcription.text

def converter_bytes_m4a(audio_bytes: BytesIO) -> str:
    """

    Convierte un audio en bytes (WAV, etc.) a un archivo M4A temporal.

    Retorna la ruta del archivo .m4a temporal.

    """
    # Asegurarse de que el cursor del stream esté al inicio
    audio_bytes.seek(0)

    # Leer el audio desde BytesIO usando pydub
    audio = AudioSegment.from_file(audio_bytes)

    # Crear archivo temporal para guardar como .m4a
    temp_file = tempfile.NamedTemporaryFile(delete=False, suffix=".m4a")
    m4a_path = temp_file.name
    temp_file.close()  # Cerramos para que pydub pueda escribirlo

    # Exportar a M4A usando formato compatible con ffmpeg
    audio.export(m4a_path, format="ipod")  # 'ipod' genera .m4a

    return m4a_path

# ===========================
# Función para obtener el número de periodos basado en el filtro
# ===========================
def obtener_periodos(filtro):
    opciones_periodos = {
        '5 años': 60,
        '3 años': 36,
        '1 año': 12,
        '5 meses': 5
    }
    return opciones_periodos.get(filtro, 12)


# ===========================
# Función para generar predicciones
# ===========================
def generar_predicciones(modelo, df, periodos):
    ventas = df['Sale']
    predicciones = modelo.forecast(steps=periodos)
    return predicciones

# Función para mejorar el diseño de las gráficas
def mejorar_diseno_grafica(fig, meses_relevantes, nombres_meses_relevantes):
    fig.update_layout(
        title={
            'text': "Ventas vs Mes",
            
            'x': 0.5,  # Centrado horizontal
            'xanchor': 'center',  # Asegura el anclaje central
            'yanchor': 'top'  # Anclaje superior (opcional)
        },
        title_font=dict(size=18, family="Arial, sans-serif", color='black'),
        xaxis=dict(
            title='Mes-Año',
            title_font=dict(size=14, family="Arial, sans-serif", color='black'),
            tickangle=-45,  # Rotar las etiquetas
            showgrid=True,
            gridwidth=0.5,
            gridcolor='lightgrey',
            showline=True,
            linecolor='black',
            linewidth=2,
            tickmode='array',  # Controla qué etiquetas mostrar
            tickvals=meses_relevantes,  # Selecciona solo los meses relevantes
            ticktext=nombres_meses_relevantes,  # Meses seleccionados
            tickfont=dict(size=10),  # Reducir el tamaño de la fuente de las etiquetas
        ),
        yaxis=dict(
            title='Ventas',
            title_font=dict(size=14, family="Arial, sans-serif", color='black'),
            showgrid=True,
            gridwidth=0.5,
            gridcolor='lightgrey',
            showline=True,
            linecolor='black',
            linewidth=2
        ),
        plot_bgcolor='white',  # Fondo blanco
        paper_bgcolor='white',  # Fondo del lienzo de la gráfica
        font=dict(family="Arial, sans-serif", size=12, color="black"),
        showlegend=False,  # Desactivar la leyenda si no es necesaria
        margin=dict(l=50, r=50, t=50, b=50)  # Márgenes ajustados
    )
    
    

    return fig

# ===========================
# Función para cerrar sesión
# ===========================
def cerrar_sesion():
    st.session_state.logged_in = False
    st.session_state.usuario = None
    st.session_state.pagina_actual = "login"
    st.session_state.archivo_subido = False  # Limpiar el archivo subido al cerrar sesión
    st.session_state.df_subido = None  # Limpiar datos del archivo
    # Eliminar parámetros de la URL usando st.query_params
    st.query_params.clear()  # Método correcto para limpiar parámetros de consulta

    # Redirigir a la página de login
    st.rerun()