app.py

import faicons as fa
import plotly.express as px
import pandas as pd

# بارگذاری داده‌ها
from shared import app_dir, tips  # فرض بر این است که tips از قبل DataFrame است
from shinywidgets import render_plotly
from shiny import reactive, render
from shiny.express import input, ui

# تبدیل احساس به عدد (تحلیل احساسات)
tips["tip"] = tips["احساس"].map({"مثبت": 1, "خنثی": 0, "منفی": -1})

# تعیین بازه سنی
bill_rng = (min(tips.سن), max(tips.سن))

# صفحه و سایدبار
ui.page_opts(title="تحلیل احساسات کاربران", fillable=True)

with ui.sidebar(open="desktop"):
    ui.input_slider(
        "سن",
        "رنج سنی",
        min=bill_rng[0],
        max=bill_rng[1],
        value=bill_rng,
        pre="سال"
    )
    ui.input_checkbox_group(
        "تاریخ",
        "شبکه اجتماعی",
        tips["شبکه اجتماعی"].unique().tolist(),
        selected=tips["شبکه اجتماعی"].unique().tolist(),
        inline=True,
    )
    ui.input_action_button("reset", "بازنشانی فیلتر")

# آیکون‌ها
ICONS = {
    "user": fa.icon_svg("user", "regular"),
    "wallet": fa.icon_svg("wallet"),
    "currency-dollar": fa.icon_svg("dollar-sign"),
    "ellipsis": fa.icon_svg("ellipsis"),
}

# باکس‌های آماری
with ui.layout_columns(fill=False):
    with ui.value_box(showcase=ICONS["user"]):
        "تعداد کاربران"

        @render.express
        def total_tippers():
            data = tips_data()
            ui.h3(f"تعداد کاربران: {data.shape[0]}")

    with ui.value_box(showcase=ICONS["wallet"]):
        "میانگین احساس"

        @render.express
        def average_tip():
            data = tips_data()
            if data.shape[0] > 0:
                ui.h3(f"میانگین احساس مثبت یا منفی: {data['tip'].mean():.2f}")
            else:
                ui.h3("داده‌ای برای محاسبه میانگین وجود ندارد.")

    with ui.value_box(showcase=ICONS["currency-dollar"]):
        "میانگین سن"

        @render.express
        def average_bill():
            data = tips_data()
            if data.shape[0] > 0:
                ui.h3(f"میانگین سن: {data['سن'].mean():.1f} سال")
            else:
                ui.h3("داده‌ای برای محاسبه میانگین سن وجود ندارد.")

# نمودار و جدول
with ui.layout_columns(col_widths=[6, 6, 12]):
    with ui.card(full_screen=True):
        ui.card_header("جدول داده‌ها")

        # رندر کردن داده‌ها در قالب جدول
        @render.data_frame
        def table():
            return tips_data()

        # رندر کردن نمودار پراکندگی
        @render_plotly
        def scatterplot():
            data = tips_data()
            if data.shape[0] == 0:
                return {}  # بازگرداندن داده‌های خالی در صورت عدم وجود داده
            return px.scatter(
                data,
                x="سن",
                y="tip",
                color="جنسیت",
                trendline="lowess",
                labels={"tip": "امتیاز احساس", "سن": "سن"},
                title="رابطه سن با احساس"
            )

    with ui.card(full_screen=True):
        # عنوان برای تحلیل پراکندگی احساس
        with ui.card_header(class_="d-flex justify-content-between align-items-center"):
            "تحلیل پراکندگی احساس"
            # ایجاد یک Popover برای انتخاب متغیر گروه‌بندی
            with ui.popover(title="گروه‌بندی بر اساس متغیر"):
                ICONS["ellipsis"]
                ui.input_radio_buttons(
                    "tip_perc_y",
                    "گروه‌بندی بر اساس:",
                    ["جنسیت", "تأثیر", "سطح تأثیر", "موضوع"],
                    selected="جنسیت",
                    inline=True,
                )

        # رندر کردن نمودار ridgeplot
        @render_plotly
        def tip_perc():
            from ridgeplot import ridgeplot

            dat = tips_data()
            if dat.shape[0] == 0:
                return {}  # بازگرداندن داده‌های خالی در صورت عدم وجود داده

            dat["percent"] = dat["tip"]  # استفاده از 'tip' به عنوان درصد احساس
            yvar = input.tip_perc_y()  # دریافت انتخاب از کاربر
            uvals = dat[yvar].unique()  # استخراج مقادیر یکتای متغیر انتخابی

            # ایجاد نمونه‌ها برای رسم نمودار ridgeplot
            samples = [[dat.percent[dat[yvar] == val]] for val in uvals]

            # ایجاد نمودار ridgeplot
            plt = ridgeplot(
                samples=samples,
                labels=uvals,
                bandwidth=0.01,
                colorscale="viridis",
                colormode="row-index",
            )

            # تنظیمات نهایی برای نمودار
            plt.update_layout(
                legend=dict(
                    orientation="h", yanchor="bottom", y=1.02, xanchor="center", x=0.5
                )
            )

            return plt  # بازگشت نمودار


# اعمال CSS
ui.include_css(app_dir / "styles.css")

# --------------------------------------------------------
# واکنش‌ها
# --------------------------------------------------------

@reactive.calc
def tips_data():
    سنی = input.سن()
    تاریخ_انتخابی = input.تاریخ()

    idx1 = tips["سن"].between(سنی[0], سنی[1])
    idx2 = tips["شبکه اجتماعی"].isin(تاریخ_انتخابی)
    
    return tips[idx1 & idx2]

@reactive.effect
@reactive.event(input.reset)
def _():
    ui.update_slider("سن", value=bill_rng)
    ui.update_checkbox_group("تاریخ", selected=tips["شبکه اجتماعی"].unique().tolist())