Spaces:
Sleeping
Sleeping
import streamlit as st | |
import pandas as pd | |
import numpy as np | |
from datetime import datetime, timedelta | |
import matplotlib.pyplot as plt | |
import plotly.express as px | |
import plotly.graph_objects as go | |
st.set_page_config(layout="wide") | |
st.markdown(""" | |
<style> | |
@media (max-width: 768px) { | |
/* Smaller devices, less space */ | |
.block-container>div>div { | |
flex: 1 1 100%; /* Make all columns take full width */ | |
} | |
} | |
@media (min-width: 769px) and (max-width: 1024px) { | |
/* Medium devices */ | |
.block-container>div>div { | |
flex: 1; /* Default flex behavior */ | |
} | |
.block-container>div>div:nth-child(1) { | |
flex: 0 1 50%; /* First column takes half of the space */ | |
} | |
} | |
@media (min-width: 1025px) { | |
/* Larger devices */ | |
.block-container>div>div:nth-child(1) { | |
flex: 0 1 33%; /* First column takes about a third of the space */ | |
} | |
} | |
</style> | |
""", unsafe_allow_html=True) | |
df = pd.read_csv('last_results_11.csv') | |
temp_data = pd.read_csv('temp_data(2).csv') | |
temp_data['Data_Completa'] = pd.to_datetime(temp_data['Data_Completa']) | |
temp_data.sort_values(['Instituição', 'Conta', 'Data_Completa'], inplace=True) | |
temp_data['Últimos 12 meses'] = temp_data.groupby(['Instituição', 'Conta'])['Valor'].transform(lambda x: x.rolling(window=12, min_periods=1).sum()) | |
last_dates = temp_data.groupby(['Instituição', 'Conta'])['Data_Completa'].transform(max) | |
last_rows = temp_data[temp_data['Data_Completa'] == last_dates] | |
ultimo_ano = last_rows[['Instituição', 'Conta', 'Últimos 12 meses']] | |
image1 = 'images/GOVERNO_RS.png' | |
image2 = 'images/SMF_H.png' | |
title_html = """ | |
<style> | |
@font-face { | |
font-family: 'Quicksand'; | |
src: url('font/Quicksand-VariableFont_wght.ttf') format('truetype'); | |
} | |
body { | |
font-family: 'Quicksand', sans-serif; | |
} | |
.custom-title { | |
color: darkgreen; | |
font-size: 30px; | |
font-weight: bold; | |
} | |
</style> | |
<span class='custom-title'>PREVISÕES DE RECEITAS</span> | |
""" | |
# Set a fixed width for the sidebar | |
st.markdown( | |
""" | |
<style> | |
.sidebar .sidebar-content { | |
width: 300px; | |
} | |
</style> | |
""", | |
unsafe_allow_html=True | |
) | |
with st.sidebar: | |
col1, col2 = st.columns(2) # Create two columns in the sidebar | |
with col1: | |
st.image(image1, width=160) | |
with col2: | |
st.image(image2, width=200) | |
#st.markdown(title_html, unsafe_allow_html=True) | |
selected_instituicao = st.selectbox('Seleciona Instituição', df['Instituição'].unique()) | |
selected_conta = st.selectbox('Seleciona Conta', df['Conta'].unique()) | |
# Filter the DataFrame based on selected values | |
#filtered_df = df[(df['Instituição'] == selected_instituicao) & (df['Conta'] == selected_conta)] | |
# Initial filtering based on selected 'Instituição' | |
instituicao_df = df[df['Instituição'] == selected_instituicao] | |
# Container for adjusted DataFrame rows | |
adjusted_rows = [] | |
# Iterate through each unique 'Conta' within the selected 'Instituição' | |
for conta in instituicao_df['Conta'].unique(): | |
conta_df = instituicao_df[instituicao_df['Conta'] == selected_conta] | |
# Check if 'Linear Regression' is available for this 'Conta' | |
if len(conta_df['Modelo'].unique()) > 1 and "Linear Regression" in conta_df['Modelo'].unique(): | |
lr_rows = conta_df[conta_df['Modelo'] == 'Linear Regression'] | |
adjusted_rows.append(lr_rows) | |
else: | |
# If not, include all models' results for this 'Conta' | |
adjusted_rows.append(conta_df) | |
# Combine all adjusted rows back into a single DataFrame | |
filtered_df = pd.concat(adjusted_rows) | |
# Set custom width for columns | |
tab1, tab2, tab3, tab4 = st.tabs(["Composição RLIT", "Valores Previstos", "Tabela Resumo", "Comparativo - Saúde e Eduacação"]) | |
tab_df = df[df['Instituição'] == selected_instituicao] | |
data = [] | |
ultimo_ano = last_rows[['Instituição', 'Conta', 'Últimos 12 meses']] | |
print(ultimo_ano) | |
with tab1: | |
municipio = ultimo_ano[ultimo_ano['Instituição'] == selected_instituicao] | |
labels = municipio['Conta'] | |
total_sum = municipio['Últimos 12 meses'].sum() | |
sizes = [(i / total_sum) * 100 for i in municipio['Últimos 12 meses']] | |
#fig1, ax1 = plt.subplots() | |
#ax1.pie(sizes, labels=labels, autopct='%1.1f%%',) | |
#ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle. | |
fig = go.Figure(data=[go.Pie(labels=labels, values=sizes)]) | |
#st.pyplot(fig1) | |
#st.plotly_chart(fig, theme=None, use_container_width=True) | |
st.plotly_chart(fig, theme=None) | |
with tab2: | |
#col1, col2= st.columns(2) | |
#if not filtered_df.empty: | |
#data_string = filtered_df['Forecasts'].iloc[0] | |
# Split the string into lines | |
#lines = data_string.split('\n') | |
#mes = 0 | |
# Iterate through the lines and extract the values | |
#for line in lines[:-1]: # Skip the last two lines which might not contain forecast data | |
#period, value = line.split() | |
#num_float = float(value) | |
#monetary_value = f'R$ {num_float:,.2f}' # Adding commas for thousands separator | |
#mes += 1 | |
#col1.write(f"Mês {mes}: {monetary_value}") | |
#else: | |
#col1.warning('No data available for the selected filters.') | |
# Display the Forecasts values as line plots in the second column | |
if not filtered_df.empty: | |
data_string = filtered_df['Forecasts'].iloc[0] | |
# Create a list to store data for each period | |
data = [] | |
# Split the string into lines | |
lines = data_string.split('\n') | |
mes = 0 | |
# Iterate through the lines and extract the values | |
for line in lines[:-1]: | |
period, value = line.split() | |
num_float = float(value) | |
monetary_value = f'R$ {num_float:,.2f}' # Adding commas for thousands separator | |
mes += 1 | |
data.append({'Período': int(mes), 'Valores Previstos': num_float}) | |
# Create a DataFrame from the list | |
chart_data = pd.DataFrame(data) | |
# Sort the DataFrame by 'Período' | |
chart_data = chart_data.sort_values(by='Período') | |
# Display line chart with "period" on X-axis and "Monetary Value" on Y-axis | |
#col2.line_chart(chart_data.set_index('Period')) | |
fig = px.line(chart_data, x="Período", y="Valores Previstos") | |
#st.plotly_chart(fig, theme=None, use_container_width=True) | |
st.plotly_chart(fig, theme=None) | |
else: | |
st.warning('Sem dados para os filtros selecionados.') | |
with tab3: | |
if not filtered_df.empty: | |
# Filter the DataFrame for the selected institution | |
tab_df = df[df['Instituição'] == selected_instituicao] | |
# Create an empty list to store data | |
data = [] | |
# Iterate through each unique 'Conta' in the filtered DataFrame | |
for conta in tab_df['Conta'].unique(): | |
# Filter the DataFrame for the current 'Conta' | |
conta_df = tab_df[tab_df['Conta'] == conta] | |
if len(conta_df['Modelo'].unique()) > 1 and "Linear Regression" in conta_df['Modelo'].unique(): | |
conta_df = conta_df[conta_df['Modelo'] == "Linear Regression"] | |
# Initialize a variable to store the sum for the current 'Conta' | |
conta_sum = 0.0 | |
# Take the first 'Modelo' for simplicity | |
modelo = conta_df['Modelo'].iloc[0] | |
# Iterate over each row in the filtered DataFrame for the current 'Conta' | |
for _, row in conta_df.iterrows(): | |
lines = row['Forecasts'].split('\n') | |
for line in lines[:-1]: # Skip the summary line | |
if line.strip(): | |
parts = line.split() | |
value = parts[-1] | |
try: | |
conta_sum += float(value) | |
except ValueError: | |
print(f"Skipping line unable to convert to float: {line}") | |
# Format the sum as a monetary value | |
monetary_value = f'R$ {conta_sum:,.2f}' | |
# Append the data to the list | |
data.append({'Conta': conta, 'Modelo': modelo, 'Próximos 12 meses': monetary_value}) | |
# Convert the list to a DataFrame | |
table_data = pd.DataFrame(data) | |
last_df = ultimo_ano[ultimo_ano['Instituição'] == selected_instituicao] | |
last_df.drop(['Instituição'], axis=1, inplace=True) | |
print(last_df) | |
last_sum = last_df.iloc[:,-1].sum() | |
def format_currency(x): | |
return "R${:,.2f}".format(x) | |
last_df['Últimos 12 meses'] = last_df['Últimos 12 meses'].apply(format_currency) | |
table_data = pd.merge(table_data, last_df) | |
print(table_data) | |
try: | |
# Calculate the grand total sum of 'Próximos 12 meses' and 'Últimos 12 meses' values | |
total_sum = sum(float(row['Próximos 12 meses'].replace('R$ ', '').replace(',', '')) for row in data) | |
total_sum_prev = last_sum | |
# Append the "Total" row | |
total_row = pd.DataFrame({ | |
'Conta': ['TOTAL (RLIT)'], | |
'Modelo': [''], | |
'Próximos 12 meses': [f'R$ {total_sum:,.2f}'], | |
'Últimos 12 meses': [f'R$ {total_sum_prev:,.2f}'] | |
}) | |
table_data = pd.concat([table_data, total_row], ignore_index=True) | |
# Additional rows calculations and appending | |
# Assuming percentages for health and education as previously mentioned | |
saude_value = total_sum * 0.15 | |
educacao_value = total_sum * 0.25 | |
saude_value_prev = total_sum_prev * 0.15 | |
educacao_value_prev = total_sum_prev * 0.25 | |
saude_row = pd.DataFrame({'Conta': ['Saúde (15% da RLIT)'], 'Modelo': [''], 'Próximos 12 meses': [f'R$ {saude_value:,.2f}'], 'Últimos 12 meses': [f'R$ {saude_value_prev:,.2f}']}) | |
educacao_row = pd.DataFrame({'Conta': ['Educação (25% da RLIT)'], 'Modelo': [''], 'Próximos 12 meses': [f'R$ {educacao_value:,.2f}'], 'Últimos 12 meses': [f'R$ {educacao_value_prev:,.2f}']}) | |
# Append these rows to the table data | |
table_data = pd.concat([table_data, saude_row, educacao_row], ignore_index=True) | |
table_data.fillna('-', inplace=True) | |
# Display the table using Streamlit | |
st.table(table_data) | |
except Exception as e: | |
st.error(f"Error in processing data: {str(e)}") | |
else: | |
st.warning('Sem dados para os filtros selecionados.') | |
st.markdown(""" | |
<b>Observação:</b> Previsões realizadas com dados extraídos do Relatório Resumido de Execução Orçamentária (RREO) até o 6º bimestre de 2023 no Sistema de Informações Contábeis e Fiscais do Setor Público Brasileiro (SICONFI). | |
[Link](https://siconfi.tesouro.gov.br/) | |
""", unsafe_allow_html=True) | |
with tab4: | |
data = { | |
"Últimos 12 meses": [saude_value_prev, educacao_value_prev], # Placeholder data for 'Last 12 Months' | |
"Próximos 12 meses": [saude_value, educacao_value] # Placeholder data for 'Next 12 Months' | |
} | |
# Define the index names | |
index_names = ["Saúde", "Educação"] # 'Health' and 'Education' | |
df = pd.DataFrame(data, index=index_names).reset_index().melt(id_vars='index', var_name='Period', value_name='Value') | |
# Create the bar chart | |
fig = px.bar(df, x='index', y='Value', color='Period', barmode='group') | |
st.write(fig) |