Code Editor for app.py

import streamlit as st
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
import plotly.express as px
import plotly.graph_objects as go

# Page config
st.set_page_config(page_title="E-Commerce Kaufabsicht Prognose", layout="wide")

# Titel und Einführung
st.title("🛍️ E-Commerce Kaufabsicht Prognose")
st.markdown("""
Diese App analysiert und prognostiziert Kaufabsichten von Online-Shop-Besuchern basierend auf
verschiedenen Verhaltensmetriken und Session-Informationen.
""")

# Daten laden
@st.cache_data
def load_data():
    # NOTE: Using corsproxy.io because we're in a WASM environment. If running locally,
    # you can remove the corsproxy.io prefix.
    url = "https://corsproxy.io/?https://archive.ics.uci.edu/ml/machine-learning-databases/00468/online_shoppers_intention.csv"
    data = pd.read_csv(url)
    return data

data = load_data()

# Sidebar für Filteroptionen
st.sidebar.header("Datenfilter")
selected_visitor_type = st.sidebar.multiselect(
    "Besuchertyp",
    options=data["VisitorType"].unique(),
    default=data["VisitorType"].unique()
)

selected_weekend = st.sidebar.multiselect(
    "Wochentag/Wochenende",
    options=["Werktag", "Wochenende"],
    default=["Werktag", "Wochenende"]
)

# Daten filtern
filtered_data = data[
    (data["VisitorType"].isin(selected_visitor_type)) &
    (data["Weekend"].isin([True if x == "Wochenende" else False for x in selected_weekend]))
]

# Dashboard Layout mit Tabs
tab1, tab2, tab3 = st.tabs(["📊 Datenübersicht", "🔮 Prognosemodell", "📈 Visualisierungen"])

with tab1:
    st.header("Datenübersicht")
    
    # Basis-Statistiken
    col1, col2, col3 = st.columns(3)
    with col1:
        st.metric("Gesamtanzahl Sessions", len(filtered_data))
    with col2:
        conversion_rate = (filtered_data["Revenue"].mean() * 100).round(2)
        st.metric("Konversionsrate", f"{conversion_rate}%")
    with col3:
        avg_duration = filtered_data["Administrative_Duration"].mean() + \
                      filtered_data["Informational_Duration"].mean() + \
                      filtered_data["ProductRelated_Duration"].mean()
        st.metric("Durchschn. Sessiondauer (s)", f"{avg_duration:.2f}")
    
    # Datentabelle
    st.subheader("Rohdaten")
    st.dataframe(filtered_data)

with tab2:
    st.header("Kaufabsicht-Prognosemodell")
    
    # Modelltraining
    @st.cache_resource
    def train_model(data):
        # Features vorbereiten
        categorical_columns = ["Month", "VisitorType", "Weekend", "Revenue"]
        X = pd.get_dummies(data, columns=categorical_columns)
        y = X.pop("Revenue_True")
        
        # Train-Test-Split
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
        
        # Modell trainieren
        model = RandomForestClassifier(n_estimators=100, random_state=42)
        model.fit(X_train, y_train)
        
        return model, X.columns

    model, feature_names = train_model(data)
    
    # Interaktive Vorhersage
    st.subheader("Prognose für eine einzelne Session")
    
    col1, col2 = st.columns(2)
    with col1:
        administrative = st.number_input("Administrative Seitenaufrufe", 0, 100, 0)
        informational = st.number_input("Informational Seitenaufrufe", 0, 100, 0)
        product_related = st.number_input("Produktbezogene Seitenaufrufe", 0, 100, 0)
    
    with col2:
        bounce_rate = st.slider("Bounce Rate", 0.0, 1.0, 0.2)
        exit_rate = st.slider("Exit Rate", 0.0, 1.0, 0.2)
        page_value = st.slider("Page Value", 0.0, 100.0, 0.0)

    if st.button("Kaufwahrscheinlichkeit berechnen"):
        # Beispieldaten für Vorhersage vorbereiten
        sample_data = pd.DataFrame({
            "Administrative": [administrative],
            "Administrative_Duration": [0],
            "Informational": [informational],
            "Informational_Duration": [0],
            "ProductRelated": [product_related],
            "ProductRelated_Duration": [0],
            "BounceRates": [bounce_rate],
            "ExitRates": [exit_rate],
            "PageValues": [page_value],
            "SpecialDay": [0],
            "Month": ["May"],
            "VisitorType": ["Returning_Visitor"],
            "Weekend": [False]
        })
        
        # One-hot encoding
        sample_data_encoded = pd.get_dummies(sample_data)
        
        # Fehlende Spalten mit 0 auffüllen
        for col in feature_names:
            if col not in sample_data_encoded.columns:
                sample_data_encoded[col] = 0
        
        # Spalten in gleiche Reihenfolge bringen
        sample_data_encoded = sample_data_encoded[feature_names]
        
        # Vorhersage
        prediction = model.predict_proba(sample_data_encoded)[0]
        
        st.success(f"Die Wahrscheinlichkeit eines Kaufs beträgt: {prediction[1]:.2%}")

with tab3:
    st.header("Datenvisualisierungen")
    
    # Visualisierung 1: Konversionsrate nach Besuchertyp
    conversion_by_visitor = filtered_data.groupby("VisitorType")["Revenue"].mean().reset_index()
    fig1 = px.bar(
        conversion_by_visitor,
        x="VisitorType",
        y="Revenue",
        title="Konversionsrate nach Besuchertyp",
        labels={"Revenue": "Konversionsrate", "VisitorType": "Besuchertyp"}
    )
    st.plotly_chart(fig1)
    
    # Visualisierung 2: Seitenaufrufe vs. Conversion
    fig2 = px.scatter(
        filtered_data,
        x="ProductRelated",
        y="PageValues",
        color="Revenue",
        title="Produktbezogene Seitenaufrufe vs. Page Value",
        labels={"ProductRelated": "Produktbezogene Seitenaufrufe", "PageValues": "Page Value"}
    )
    st.plotly_chart(fig2)
    
    # Visualisierung 3: Monatliche Verteilung
    monthly_dist = filtered_data.groupby(["Month", "Revenue"]).size().reset_index(name="count")
    fig3 = px.bar(
        monthly_dist,
        x="Month",
        y="count",
        color="Revenue",
        title="Monatliche Verteilung der Käufe",
        barmode="group"
    )
    st.plotly_chart(fig3)