Update app.py

app.py

@@ -8,15 +8,20 @@ import seaborn as sns
 import matplotlib.pyplot as plt
 from datetime import date
 
-# --------------------------------------------------
-# 0. CONFIG & UTILS
-# --------------------------------------------------
-DATA_PATH = "price_data.csv"  # ▶︎ CSV: date(YYYY-MM-DD), item, price
-
+# ---------------------------------------------
+# CONFIG --------------------------------------
+# ---------------------------------------------
+DATA_PATH = "price_data.csv"  # CSV: date, item, price
+MACRO_START, MACRO_END = "1996-01-01", "2030-12-31"
+MICRO_START, MICRO_END = "2020-01-01", "2026-12-31"
+
+st.set_page_config(page_title="품목별 가격 예측", page_icon="📈", layout="wide")
+
+# ---------------------------------------------
+# UTILITIES -----------------------------------
+# ---------------------------------------------
 @st.cache_data(show_spinner=False)
 def load_data(path: str) -> pd.DataFrame:
-    """Load & preprocess price data.
-    Expects columns: date, item, price."""
     df = pd.read_csv(path, parse_dates=["date"])
     df.sort_values("date", inplace=True)
     return df
@@ -25,86 +30,83 @@ def load_data(path: str) -> pd.DataFrame:
 def get_items(df: pd.DataFrame):
     return sorted(df["item"].unique())
 
-# Prophet helper ------------------------------------------------------------
-
+@st.cache_data(show_spinner=False)
 def fit_prophet(df: pd.DataFrame, horizon_end: str):
-    """Fit Prophet on df(date, price) and forecast till horizon_end (YYYY-MM-DD)."""
     m = Prophet(yearly_seasonality=True, weekly_seasonality=False, daily_seasonality=False)
     m.fit(df.rename(columns={"date": "ds", "price": "y"}))
     future = m.make_future_dataframe(periods=(pd.Timestamp(horizon_end) - df["date"].max()).days, freq="D")
     forecast = m.predict(future)
     return m, forecast
 
-# --------------------------------------------------
-# 1. DATA LOAD
-# --------------------------------------------------
-st.title("📈 품목별 가격 예측 대시보드")
-
+# ---------------------------------------------
+# LOAD ----------------------------------------
+# ---------------------------------------------
 raw_df = load_data(DATA_PATH)
-
-st.sidebar.header("🔍 품목 선택")
-selected_item = st.sidebar.selectbox("품목", get_items(raw_df))
-
+selected_item = st.sidebar.selectbox("🔍 품목 선택", get_items(raw_df))
 current_date = date.today()
-st.sidebar.markdown(f"**오늘 날짜:** {current_date}")
+st.sidebar.write(f"**오늘:** {current_date}")
 
 item_df = raw_df[raw_df["item"] == selected_item].copy()
-
 if item_df.empty:
-    st.warning("선택한 품목의 데이터가 없습니다.")
+    st.error("데이터가 없습니다.")
     st.stop()
 
-# --------------------------------------------------
-# 2. MACRO FORECAST 1996–2030
-# --------------------------------------------------
-st.subheader(f"🌏 거시 가격 추이 예측: 1996–2030 ({selected_item})")
-
-macro_start = "1996-01-01"
-macro_end = "2030-12-31"
-macro_df = item_df[item_df["date"] >= macro_start]
-
-m_macro, fc_macro = fit_prophet(macro_df, macro_end)
+# ---------------------------------------------
+# MACRO FORECAST ------------------------------
+# ---------------------------------------------
+st.header(f"📈 {selected_item} 가격 전망")
+macro_df = item_df[item_df["date"] >= MACRO_START]
 
-fig_macro = px.line(fc_macro, x="ds", y="yhat", title="Macro Forecast (daily)")
+m_macro, fc_macro = fit_prophet(macro_df, MACRO_END)
+fig_macro = px.line(fc_macro, x="ds", y="yhat", title="Macro Forecast 1996–2030")
 fig_macro.add_scatter(x=macro_df["date"], y=macro_df["price"], mode="lines", name="Actual")
 st.plotly_chart(fig_macro, use_container_width=True)
 
-# --------------------------------------------------
-# 3. MICRO FORECAST 2024–2026 (아래 배치)
-# --------------------------------------------------
-st.subheader("🔎 미시 가격 추이 예측: 2024–2026")
+# --- Metrics ↓
+latest_price = macro_df.iloc[-1]["price"]
+macro_last = fc_macro[fc_macro["ds"] == MACRO_END]["yhat"].iloc[0]
+macro_diff = macro_last - latest_price
+macro_pct = macro_diff / latest_price * 100
+st.metric(label="2030 예측 가격", value=f"{macro_last:,.0f}", delta=f"{macro_pct:+.1f}% vs 최근")
 
-micro_start = "2020-01-01"  # 더 최근 데이터만 학습
-micro_horizon_end = "2026-12-31"
-micro_df = item_df[item_df["date"] >= micro_start]
+# ---------------------------------------------
+# MICRO FORECAST ------------------------------
+# ---------------------------------------------
+st.subheader("🔎 미시 예측 2024–2026")
 
-m_micro, fc_micro = fit_prophet(micro_df, micro_horizon_end)
+micro_df = item_df[item_df["date"] >= MICRO_START]
 
-fig_micro = px.line(fc_micro, x="ds", y="yhat", title="Micro Forecast (daily)")
+m_micro, fc_micro = fit_prophet(micro_df, MICRO_END)
+fig_micro = px.line(fc_micro, x="ds", y="yhat", title="Micro Forecast 2024–2026")
 fig_micro.add_scatter(x=micro_df["date"], y=micro_df["price"], mode="lines", name="Actual")
 st.plotly_chart(fig_micro, use_container_width=True)
 
-# --------------------------------------------------
-# 4. SEASONALITY COMPONENTS
-# --------------------------------------------------
-st.subheader("📆 시즈널리티 분석")
+micro_last = fc_micro[fc_micro["ds"] == MICRO_END]["yhat"].iloc[0]
+micro_diff = micro_last - latest_price
+micro_pct = micro_diff / latest_price * 100
+st.metric(label="2026 예측 가격", value=f"{micro_last:,.0f}", delta=f"{micro_pct:+.1f}% vs 최근")
 
-with st.expander("시즈널리티 그래프 열기/닫기"):
+# ---------------------------------------------
+# PATTERN & SEASONALITY -----------------------
+# ---------------------------------------------
+with st.expander("📆 시즈널리티 분석 및 패턴 해설"):
     comp_fig = m_micro.plot_components(fc_micro)
     st.pyplot(comp_fig)
-    st.markdown("""
-    **설명**  
-    * **Yearly seasonality**: 계절적 패턴(예: 수확기·명절 수요)  
-    * **Trend**: 장기 추세.  
-    * 주간 성분은 생략했습니다(가격 데이터가 주간 granularity가 아니므로).
-    """)
-
-# --------------------------------------------------
-# 5. CORRELATION HEATMAP (품목 간)
-# --------------------------------------------------
+
+    # 월별 seasonality summary
+    month_season = (fc_micro[["ds", "yearly"]]
+                    .assign(month=lambda d: d["ds"].dt.month)
+                    .groupby("month")["yearly"].mean())
+    peak_month = int(month_season.idxmax())
+    trough_month = int(month_season.idxmin())
+
+    st.markdown(f"**패턴 요약**  \n- __연간 피크__: {peak_month}월   \n- __연간 저점__: {trough_month}월  \n- 평균 변동폭(연): {month_season.max() - month_season.min():.1f} 단가")
+
+# ---------------------------------------------
+# CORRELATION HEATMAP -------------------------
+# ---------------------------------------------
 st.subheader("🧮 품목 간 상관관계 히트맵")
 
-# 피벗: 월간 평균 가격으로 단위 맞추기
 corr_df = (raw_df.assign(month=lambda d: d["date"].dt.to_period("M"))
                    .groupby(["month", "item"], as_index=False)["price"].mean()
                    .pivot(index="month", columns="item", values="price"))
@@ -118,25 +120,26 @@ st.pyplot(fig)
 
 st.markdown("""
 **해석 가이드**  
-- 빨간색은 양의 상관 → 두 품목 가격이 함께 오르내림.  
-- 파란색은 음의 상관 → 대체재/수요 이동 가능성.  
-- 절댓값 ≥ 0.7 인 관계는 price elasticity·수급 연동성 분석에 활용할 수 있습니다.
+- **빨간색(+)**: 두 품목 가격이 동조화 – 공급망/수요 연동 가능성.  
+- **파란색(-)**: 대체재 관계.  
+- 절댓값 ≥ 0.7 은 정책·재고 전략 설계 시 주의 깊게 볼 필요가 있습니다.
 """)
 
-# --------------------------------------------------
-# 6. EXTRA CHART: 가격 변동성(rolling std)
-# --------------------------------------------------
-st.subheader("📊 30일 이동 표준편차 – 가격 변동성")
+# ---------------------------------------------
+# EXTRA CHARTS -------------------------------
+# ---------------------------------------------
+st.subheader("📊 추가 인사이트: 30일 이동 변동성")
 
-vol_df = (item_df.set_index("date")["price"]
-                    .rolling(window=30)
-                    .std().reset_index(name="rolling_std"))
-fig_vol = px.area(vol_df, x="date", y="rolling_std", title="30D Rolling Std Dev")
+vol_df = (item_df.set_index("date")["price"].rolling(30).std().reset_index())
+fig_vol = px.area(vol_df, x="date", y="price", title="30D Rolling Std Dev")
 st.plotly_chart(fig_vol, use_container_width=True)
 
 st.markdown("""
-- **높은 변동성 구간**은 재고·계약 전략 조정 필요.  
-- 특히 날씨·수요 이벤트(명절, 폭염 등)와 겹치는지 교차 분석해 보세요.
+- 변동성 급등 구간은 **공급 충격·수요 이벤트** 가능성이 높습니다.  
+- 최근 변동성이 낮아지면 **가격 안착**으로 해석할 수 있습니다.
 """)
 
-st.success("✅ 시각화 완료! 품목을 바꿔보며 인사이트를 확인하세요.")
+# ---------------------------------------------
+# FOOTER --------------------------------------
+# ---------------------------------------------
+st.caption("데이터 출처: 내부 농수산물 가격 DB · Forecast by Prophet · Dashboard built with Streamlit")