import streamlit as st import pandas as pd import numpy as np #st.set_page_config(layout="wide") df = pd.read_csv('last_results_7.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/rs_pmpa.PNG' title_html = """ PREVISÕES DE RECEITAS """ # Set a fixed width for the sidebar st.markdown( """ """, unsafe_allow_html=True ) with st.sidebar: st.image(image1, use_column_width=True) 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)] #col1, col2, col3 = st.columns(3) # This divides the page into three equal parts # Set custom width for columns col1_width = 400 col2_width = 400 col1, col2 = st.columns([col1_width, col2_width]) # Display the Forecasts values in the first column col1.header('Valores previstos') if not filtered_df.empty: data_string = filtered_df['Forecasts'].iloc[0] # Split the string into lines lines = data_string.split('\n') # Iterate through the lines and extract the values for line in lines[:-2]: period, value = line.split() num_float = float(value) monetary_value = f'R$ {num_float:,.2f}' # Adding commas for thousands separator col1.write(f"Período {period}: {monetary_value}") else: col1.warning('No data available for the selected filters.') # Display the Forecasts values as line plots in the second column col2.header('Gráfico com previsões') 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') # Iterate through the lines and extract the values for line in lines[:-2]: period, value = line.split() num_float = float(value) monetary_value = f'R$ {num_float:,.2f}' # Adding commas for thousands separator data.append({'Period': int(period), 'Monetary Value': num_float}) # Create a DataFrame from the list chart_data = pd.DataFrame(data) # Sort the DataFrame by 'Period' chart_data = chart_data.sort_values(by='Period') # Display line chart with "period" on X-axis and "Monetary Value" on Y-axis col2.line_chart(chart_data.set_index('Period')) else: col2.warning('No data available for the selected filters.') # Display the table in the third column #col3 = st.columns(1) # You can use st.columns(1) to create a single column layout #col3.header('Resultados') 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] # 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) def format_currency(x): return "R${:,.2f}".format(x) last_df['Últimos 12 meses'] = last_df['Últimos 12 meses'].apply(format_currency) table_data = pd.merge(table_data, last_df) # Calculate the grand total sum of all 'Conta' values total_sum = sum(float(row['Próximos 12 meses'].replace('R$ ', '').replace(',', '')) for row in data) # Append the "Total" row total_row = pd.DataFrame({'Conta': ['TOTAL (RLIT)'], 'Modelo': [''], 'Próximos 12 meses': [f'R$ {total_sum:,.2f}']}) table_data = pd.concat([table_data, total_row], ignore_index=True) # Calculate and append the rows for "Saúde (12% da RLIT)" and "Educação (25% da RLIT)" saude_value = total_sum * 0.15 educacao_value = total_sum * 0.25 saude_row = pd.DataFrame({'Conta': ['Saúde (15% da RLIT)'], 'Modelo': [''], 'Próximos 12 meses': [f'R$ {saude_value:,.2f}']}) educacao_row = pd.DataFrame({'Conta': ['Educação (25% da RLIT)'], 'Modelo': [''], 'Próximos 12 meses': [f'R$ {educacao_value:,.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 st.table(table_data) else: col3.warning('No data available for the selected filters.') st.markdown(""" Observação: 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)