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 Analyse", layout="wide")

# Titel und Einführung
st.title("🛒 E-Commerce Kaufabsicht Analyse")
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
    url = "https://corsproxy.io/?https://archive.ics.uci.edu/ml/machine-learning-databases/00468/online_shoppers_intention.csv"
    df = pd.read_csv(url)
    return df

def prepare_data(df):
    # Kategorische Variablen encodieren
    df = pd.get_dummies(df, columns=['Month', 'VisitorType', 'Weekend'])
    return df

# Daten laden und vorbereiten
try:
    df = load_data()
    st.success("✅ Daten erfolgreich geladen!")
except Exception as e:
    st.error(f"❌ Fehler beim Laden der Daten: {e}")
    st.stop()

# Sidebar für Analyseoptionen
st.sidebar.header("Analyseoptionen")

# Hauptbereich mit Tabs
tab1, tab2, tab3 = st.tabs(["📊 Datenübersicht", "🔍 Explorative Analyse", "🎯 Vorhersagemodell"])

with tab1:
    st.header("Datensatzübersicht")
    st.write("Anzahl der Datensätze:", df.shape[0])
    st.write("Anzahl der Merkmale:", df.shape[1])
    
    # Basic statistics
    st.subheader("Statistische Übersicht")
    st.dataframe(df.describe())
    
    # Sample data
    st.subheader("Beispieldaten")
    st.dataframe(df.head())

with tab2:
    st.header("Explorative Datenanalyse")
    
    # Conversion Rate nach Besuchertyp
    st.subheader("Conversion Rate nach Besuchertyp")
    visitor_conv = df.groupby('VisitorType')['Revenue'].mean().reset_index()
    fig_visitor = px.bar(visitor_conv, x='VisitorType', y='Revenue',
                        title='Conversion Rate nach Besuchertyp',
                        labels={'Revenue': 'Conversion Rate', 'VisitorType': 'Besuchertyp'})
    st.plotly_chart(fig_visitor)
    
    # Verteilung der Seitenbesuche
    st.subheader("Verteilung der Seitenbesuche")
    fig_pages = px.histogram(df, x='PageValues', 
                           title='Verteilung der Seitenwerte',
                           labels={'PageValues': 'Seitenwert'})
    st.plotly_chart(fig_pages)
    
    # Conversion Rate nach Monat
    st.subheader("Conversion Rate nach Monat")
    month_conv = df.groupby('Month')['Revenue'].mean().reset_index()
    fig_month = px.line(month_conv, x='Month', y='Revenue',
                       title='Conversion Rate im Jahresverlauf',
                       labels={'Revenue': 'Conversion Rate', 'Month': 'Monat'})
    st.plotly_chart(fig_month)

with tab3:
    st.header("Vorhersagemodell")
    
    # Model training
    if st.button("Modell trainieren"):
        with st.spinner("Modell wird trainiert..."):
            # Daten vorbereiten
            X = prepare_data(df.drop('Revenue', axis=1))
            y = df['Revenue']
            
            # 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)
            
            # Modellergebnisse
            train_score = model.score(X_train, y_train)
            test_score = model.score(X_test, y_test)
            
            # Feature Importance
            feature_importance = pd.DataFrame({
                'feature': X.columns,
                'importance': model.feature_importances_
            }).sort_values('importance', ascending=False)
            
            # Ergebnisse anzeigen
            col1, col2 = st.columns(2)
            with col1:
                st.metric("Training Score", f"{train_score:.2%}")
            with col2:
                st.metric("Test Score", f"{test_score:.2%}")
            
            # Feature Importance Plot
            st.subheader("Feature Importance")
            fig_importance = px.bar(feature_importance.head(10), 
                                  x='importance', y='feature',
                                  orientation='h',
                                  title='Top 10 wichtigste Merkmale')
            st.plotly_chart(fig_importance)

# Footer
st.markdown("---")
st.markdown("""
**Über dieses Projekt:**
- Datenquelle: UCI Machine Learning Repository
- Features: Browser-Informationen, Seitenaufrufe, Zeitmetriken, etc.
- Ziel: Vorhersage der Kaufwahrscheinlichkeit
""")