Code Editor for app.py

import streamlit as st
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

st.title("Chopard - Prévisions des Ventes")

# Création des données d'exemple
def create_sample_data():
    products = [
        "Happy Diamonds Collier",
        "Ice Cube Bracelet",
        "L'Heure du Diamant Montre",
        "Happy Hearts Bague",
        "Alpine Eagle Montre",
        "Imperiale Boucles d'oreilles"
    ]
    
    locations = [
        "Paris Vendôme",
        "Genève",
        "Dubai Mall",
        "Hong Kong Central",
        "New York 5th Avenue"
    ]
    
    # Création de dates pour les 3 prochains mois
    current_date = datetime.now()
    dates = []
    for i in range(90):
        dates.append(current_date + timedelta(days=i))
    
    # Création du DataFrame
    data = []
    for date in dates[:30]:  # Limitons à 30 jours pour l'exemple
        for product in products[:3]:  # Limitons à 3 produits pour l'exemple
            for location in locations[:3]:  # Limitons à 3 locations pour l'exemple
                # Génération d'une quantité aléatoire entre 1 et 10
                quantity = np.random.randint(1, 11)
                data.append({
                    "Date": date.strftime("%Y-%m-%d"),
                    "Produit": product,
                    "Location": location,
                    "Forecast_Raw": quantity
                })
    
    return pd.DataFrame(data)

# Création ou chargement des données
if 'forecast_data' not in st.session_state:
    st.session_state.forecast_data = create_sample_data()
    st.session_state.forecast_data['Override'] = 0
    st.session_state.forecast_data['Commentaire'] = ''

# Affichage et édition des données
st.write("### Table des Prévisions")

# Convertir le DataFrame en une liste de dictionnaires pour faciliter l'édition
edited_df = st.data_editor(
    st.session_state.forecast_data,
    column_config={
        "Date": st.column_config.DateColumn("Date"),
        "Produit": st.column_config.Column("Produit", disabled=True),
        "Location": st.column_config.Column("Location", disabled=True),
        "Forecast_Raw": st.column_config.NumberColumn("Forecast Raw", disabled=True),
        "Override": st.column_config.NumberColumn("Override", min_value=0),
        "Commentaire": st.column_config.TextColumn("Commentaire")
    },
    hide_index=True
)

# Calcul du forecast ajusté
edited_df['Forecast_Ajusté'] = edited_df.apply(
    lambda row: row['Override'] if row['Override'] > 0 else row['Forecast_Raw'],
    axis=1
)

# Affichage des statistiques
st.write("### Résumé des Prévisions")
total_raw = edited_df['Forecast_Raw'].sum()
total_adjusted = edited_df['Forecast_Ajusté'].sum()
diff_percentage = ((total_adjusted - total_raw) / total_raw * 100) if total_raw != 0 else 0

col1, col2, col3 = st.columns(3)
with col1:
    st.metric("Total Forecast Raw", f"{total_raw:,.0f}")
with col2:
    st.metric("Total Forecast Ajusté", f"{total_adjusted:,.0f}")
with col3:
    st.metric("Différence", f"{diff_percentage:.1f}%")

# Filtres
st.sidebar.write("### Filtres")
selected_location = st.sidebar.multiselect(
    "Location",
    options=edited_df['Location'].unique()
)

selected_product = st.sidebar.multiselect(
    "Produit",
    options=edited_df['Produit'].unique()
)

# Application des filtres si sélectionnés
filtered_df = edited_df.copy()
if selected_location:
    filtered_df = filtered_df[filtered_df['Location'].isin(selected_location)]
if selected_product:
    filtered_df = filtered_df[filtered_df['Produit'].isin(selected_product)]

# Affichage des données filtrées
if selected_location or selected_product:
    st.write("### Données Filtrées")
    st.write(filtered_df)