Create app.py

app.py

@@ -0,0 +1,142 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+from prophet import Prophet
+import plotly.express as px
+import plotly.graph_objects as go
+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
+
+@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
+
+@st.cache_data(show_spinner=False)
+def get_items(df: pd.DataFrame):
+    return sorted(df["item"].unique())
+
+# Prophet helper ------------------------------------------------------------
+
+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")
+
+raw_df = load_data(DATA_PATH)
+
+st.sidebar.header("🔍 품목 선택")
+selected_item = st.sidebar.selectbox("품목", get_items(raw_df))
+
+current_date = date.today()
+st.sidebar.markdown(f"**오늘 날짜:** {current_date}")
+
+item_df = raw_df[raw_df["item"] == selected_item].copy()
+
+if item_df.empty:
+    st.warning("선택한 품목의 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)
+
+fig_macro = px.line(fc_macro, x="ds", y="yhat", title="Macro Forecast (daily)")
+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")
+
+micro_start = "2020-01-01"  # 더 최근 데이터만 학습
+micro_horizon_end = "2026-12-31"
+micro_df = item_df[item_df["date"] >= micro_start]
+
+m_micro, fc_micro = fit_prophet(micro_df, micro_horizon_end)
+
+fig_micro = px.line(fc_micro, x="ds", y="yhat", title="Micro Forecast (daily)")
+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")
+
+with st.expander("시즈널리티 그래프 열기/닫기"):
+    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)
+# --------------------------------------------------
+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"))
+
+corr = corr_df.corr()
+
+fig, ax = plt.subplots(figsize=(12, 10))
+mask = np.triu(np.ones_like(corr, dtype=bool))
+sns.heatmap(corr, mask=mask, cmap="RdBu_r", center=0, linewidths=.5, ax=ax)
+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.
+""")
+
+# --------------------------------------------------
+# 6. EXTRA CHART: 가격 변동성(rolling std)
+# --------------------------------------------------
+st.subheader("📊 30일 이동 표준편차 – 가격 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")
+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.
+""")
+
+st.success("✅ 시각화 완료! 품목을 바꿔보며 인사이트를 확인하세요.")