Update app.py

app.py

@@ -3,6 +3,7 @@ import pandas as pd
 import numpy as np
 from datetime import datetime, timedelta
 import matplotlib.pyplot as plt
+import plotly.express as px 
 
 st.set_page_config(layout="wide")
 
@@ -198,8 +199,6 @@ col4_width = 750
 col5_width = 750
 col4, col5 = st.columns([col4_width, col5_width])
 
-col4.header('Realizado X Previsto')
-
 if not filtered_df.empty:
     # Filter the DataFrame for the selected institution
     tab_df = df[df['Instituição'] == selected_instituicao]
@@ -288,8 +287,64 @@ if not filtered_df.empty:
         st.error(f"Error in processing data: {str(e)}")
 
 else:
-    col5.warning('No data available for the selected filters.')
+    col4.warning('No data available for the selected filters.')
+
+col5.header('Realizado X Previsto')
+
+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}")
+
+    # Append the data to the list
+    data.append({'Conta': conta, 'Modelo': modelo, 'Próximos 12 meses': conta_sum})
+
+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()
+
+total_sum =  sum(float(row['Próximos 12 meses'].replace('R$ ', '').replace(',', '')) for row in data)
+total_sum_prev = last_sum
+
+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
+
+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')
+col5.write(fig)
 
 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).