app.py

import streamlit as st
import pandas as pd
import requests
import plotly.express as px
from sklearn.cluster import KMeans

# 下載與處理CSV檔案的函數
def fetch_and_process_csv(url):
    response = requests.get(url)
    filename = url.split("/")[-1]
    with open(filename, "wb") as file:
        file.write(response.content)
    df = pd.read_csv(filename)
    df = df.fillna(0)  # 填補缺失值
    return df

# 繪製數值型欄位的長條圖
def plot_numeric_bar_chart(df, x_column, y_column, title):
    fig = px.bar(df, x=x_column, y=y_column, title=title)
    st.plotly_chart(fig)

# 繪製數值型欄位的圓餅圖（基於欄位的總和）
def plot_numeric_pie_chart(df, column, title):
    sums = df.groupby(column)[column].sum()
    fig = px.pie(names=sums.index, values=sums.values, title=title)
    st.plotly_chart(fig)

# 執行 K-means 分析並繪製結果
def perform_kmeans(df, x_column, y_column, n_clusters):
    # 如果 X 軸是 "公司名稱"，只使用 Y 軸進行 K-means 分析
    if x_column == "公司名稱":
        kmeans = KMeans(n_clusters=n_clusters)
        df['Cluster'] = kmeans.fit_predict(df[[y_column]])
        fig = px.scatter(df, x=x_column, y=y_column, color='Cluster', 
                         title=f"K-means 分析 - {n_clusters} 群組", 
                         hover_data=[x_column, y_column])
    else:
        # 執行 K-means 聚類
        kmeans = KMeans(n_clusters=n_clusters)
        df['Cluster'] = kmeans.fit_predict(df[[x_column, y_column]])
        fig = px.scatter(df, x=x_column, y=y_column, color='Cluster', 
                         title=f"K-means 分析 - {n_clusters} 群組", 
                         hover_data=[x_column, y_column])
    
    st.plotly_chart(fig)

    # 顯示群組中心
    st.write("群組中心:")
    cluster_centers = pd.DataFrame(kmeans.cluster_centers_, columns=[x_column, y_column] if x_column != "公司名稱" else [y_column])
    st.dataframe(cluster_centers)

# 主程式
def main():
    st.title("數據視覺化工具")
    st.sidebar.title("選擇選項")
    
    # 定義資料的URL
    data_sources = {
        "溫室氣體": "https://mopsfin.twse.com.tw/opendata/t187ap46_L_1.csv",
        "再生能源": "https://mopsfin.twse.com.tw/opendata/t187ap46_O_2.csv",
        "董事會": "https://mopsfin.twse.com.tw/opendata/t187ap46_L_6.csv"
    }

    # 下拉選單讓用戶選擇要繪製圖表的檔案
    selected_dataset = st.sidebar.selectbox("選擇資料集", list(data_sources.keys()))
    
    # 下載並處理選擇的資料集
    df = fetch_and_process_csv(data_sources[selected_dataset])

    # 確認數據集中至少有一個數值型欄位
    if "公司名稱" in df.columns:
        numeric_columns = ["公司名稱"] + df.select_dtypes(include=['int', 'float']).columns.tolist()
    else:
        numeric_columns = df.select_dtypes(include=['int', 'float']).columns.tolist()

    if numeric_columns:
        # 下拉選單讓用戶選擇數值型欄位
        selected_x_column = st.sidebar.selectbox("選擇X軸欄位", numeric_columns)
        selected_y_column = st.sidebar.selectbox("選擇Y軸數值型欄位", numeric_columns)

        # 選擇要繪製的圖表類型
        chart_type = st.sidebar.radio("選擇圖表類型", ["長條圖", "圓餅圖", "K-means 分析"])
        
        # 根據選擇繪製相應的圖表
        if chart_type == "長條圖":
            plot_numeric_bar_chart(df, selected_x_column, selected_y_column, f"{selected_dataset} - {selected_y_column} 長條圖")
        elif chart_type == "圓餅圖":
            plot_numeric_pie_chart(df, selected_x_column, f"{selected_dataset} - {selected_x_column} 圓餅圖")
        elif chart_type == "K-means 分析":
            # 選擇群組數
            n_clusters = st.sidebar.slider("選擇群組數", min_value=2, max_value=10, value=3)
            perform_kmeans(df, selected_x_column, selected_y_column, n_clusters)
    else:
        st.write("所選的資料集中沒有數值型欄位可供繪製或分析。")

if __name__ == "__main__":
    main()