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 Vorhersage", layout="wide")

# Titel und Einführung
st.title("🛍️ E-Commerce Kaufabsicht Vorhersage")
st.markdown("""
Diese App analysiert das Verhalten von Online-Shop-Besuchern und sagt vorher, 
ob sie wahrscheinlich einen Kauf tätigen werden. Die Vorhersagen basieren auf 
verschiedenen Merkmalen wie Besuchszeit, Seitenaufrufe und bisherigem Kaufverhalten.
""")

# 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 kodieren
    df = pd.get_dummies(df, columns=['Month', 'VisitorType', 'Weekend'])
    return df

# Daten laden und vorbereiten
try:
    df = load_data()
    df_prepared = prepare_data(df)
    
    # Dashboard in Tabs organisieren
    tab1, tab2, tab3 = st.tabs(["📊 Datenübersicht", "🔮 Vorhersage", "📈 Visualisierungen"])
    
    with tab1:
        st.header("Datenübersicht")
        st.write("Anzahl der Datensätze:", len(df))
        st.write("Konversionsrate:", f"{(df['Revenue'].mean()*100):.2f}%")
        
        col1, col2 = st.columns(2)
        with col1:
            st.subheader("Beispieldaten")
            st.dataframe(df.head())
        
        with col2:
            st.subheader("Statistiken")
            st.dataframe(df.describe())
    
    with tab2:
        st.header("Kaufabsicht Vorhersage")
        
        # Model Training
        @st.cache_resource
        def train_model(df_prepared):
            X = df_prepared.drop('Revenue', axis=1)
            y = df_prepared['Revenue']
            
            X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
            
            scaler = StandardScaler()
            X_train_scaled = scaler.fit_transform(X_train)
            
            model = RandomForestClassifier(n_estimators=100, random_state=42)
            model.fit(X_train_scaled, y_train)
            
            return model, scaler
        
        model, scaler = train_model(df_prepared)
        
        # Eingabefelder für Vorhersage
        st.subheader("Geben Sie die Besucherdaten ein:")
        
        col1, col2, col3 = st.columns(3)
        
        with col1:
            administrative = st.number_input("Administrative Seiten", min_value=0, value=0)
            informational = st.number_input("Informative Seiten", min_value=0, value=0)
            product_related = st.number_input("Produktbezogene Seiten", min_value=0, value=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, 10.0)
        
        with col3:
            special_day = st.slider("Special Day", 0.0, 1.0, 0.0)
            month = st.selectbox("Monat", ['May', 'Nov', 'Mar', 'Dec', 'Oct', 'Sep', 'Aug', 'Jul', 'June', 'Feb'])
            weekend = st.checkbox("Wochenende")
        
        if st.button("Vorhersage berechnen"):
            # Beispiel-Input erstellen
            input_data = pd.DataFrame({
                'Administrative': [administrative],
                'Informational': [informational],
                'ProductRelated': [product_related],
                'BounceRates': [bounce_rate],
                'ExitRates': [exit_rate],
                'PageValues': [page_value],
                'SpecialDay': [special_day],
            })
            
            # Dummy-Variablen hinzufügen
            for m in df_prepared.columns:
                if m.startswith('Month_'):
                    input_data[m] = 1 if m == f'Month_{month}' else 0
            
            input_data['Weekend_True'] = 1 if weekend else 0
            input_data['Weekend_False'] = 0 if weekend else 1
            
            # Fehlende Spalten mit 0 auffüllen
            for col in df_prepared.columns:
                if col not in input_data.columns and col != 'Revenue':
                    input_data[col] = 0
                    
            # Vorhersage
            input_scaled = scaler.transform(input_data)
            prediction = model.predict_proba(input_scaled)[0]
            
            # Ergebnis anzeigen
            st.subheader("Vorhersageergebnis")
            fig = go.Figure(go.Indicator(
                mode = "gauge+number",
                value = prediction[1] * 100,
                title = {'text': "Kaufwahrscheinlichkeit"},
                gauge = {
                    'axis': {'range': [0, 100]},
                    'bar': {'color': "darkblue"},
                    'steps': [
                        {'range': [0, 30], 'color': "lightgray"},
                        {'range': [30, 70], 'color': "gray"},
                        {'range': [70, 100], 'color': "darkgray"}
                    ]
                }
            ))
            st.plotly_chart(fig)
            
            if prediction[1] > 0.5:
                st.success(f"Dieser Besucher wird mit {prediction[1]:.1%} Wahrscheinlichkeit einen Kauf tätigen!")
            else:
                st.warning(f"Dieser Besucher wird wahrscheinlich keinen Kauf tätigen (Wahrscheinlichkeit: {prediction[1]:.1%})")
    
    with tab3:
        st.header("Datenvisualisierungen")
        
        # Visualisierung 1: Conversion Rate nach Monat
        monthly_conversion = df.groupby('Month')['Revenue'].mean().reset_index()
        fig1 = px.bar(monthly_conversion, x='Month', y='Revenue',
                     title='Konversionsrate nach Monat',
                     labels={'Revenue': 'Konversionsrate', 'Month': 'Monat'})
        st.plotly_chart(fig1)
        
        # Visualisierung 2: Seitenaufrufe vs. Conversion
        fig2 = px.scatter(df, x='ProductRelated', y='PageValues', color='Revenue',
                         title='Produktbezogene Seitenaufrufe vs. Page Values',
                         labels={'ProductRelated': 'Produktbezogene Seitenaufrufe',
                                'PageValues': 'Page Values',
                                'Revenue': 'Kauf getätigt'})
        st.plotly_chart(fig2)
        
        # Visualisierung 3: Bounce Rate Distribution
        fig3 = px.histogram(df, x='BounceRates', color='Revenue',
                          title='Verteilung der Bounce Rates',
                          labels={'BounceRates': 'Bounce Rate',
                                 'Revenue': 'Kauf getätigt'})
        st.plotly_chart(fig3)

except Exception as e:
    st.error(f"Fehler beim Laden der Daten: {str(e)}")
    st.info("Bitte stellen Sie sicher, dass Sie eine Internetverbindung haben und der Datensatz verfügbar ist.")