pages/Statistics.py

# pages/Statistics.py

import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
import re
from datetime import datetime

from utils.functions import (
    get_stats,
    get_history
)

# Definiowanie tłumaczeń dla zakładki "Statystyki"
page_translations = {
    'Polish': {
        'page_title': "📊 Statystyki",
        'page_icon': "📈",
        'header': "📊 Statystyki Aplikacji",
        'description': "Poniżej znajdują się statystyki analizy wiadomości w aplikacji.",
        'total_analyses': "Liczba przeanalizowanych wiadomości",
        'total_frauds_detected': "Wykryte oszustwa",
        'fraud_percentage': "Procent oszustw",
        'history_title': "Historia analizowanych wiadomości",
        'frauds_over_time': "Liczba wykrytych oszustw w czasie",
        'risk_distribution': "Rozkład ocen ryzyka oszustwa",
        'fraud_country_distribution': "Rozkład oszustw według krajów",
        'heatmap_title': "Mapa ciepła oszustw w czasie",
        'fraud_vs_nonfraud': "Procentowy podział: Oszustwa vs Bezpieczne",
        'no_data': "Brak dostępnych danych do wyświetlenia."
    },
    'German': {
        'page_title': "📊 Statistiken",
        'page_icon': "📈",
        'header': "📊 Anwendungsstatistiken",
        'description': "Nachfolgend finden Sie die Statistiken zur Nachrichtenanalyse in der Anwendung.",
        'total_analyses': "Anzahl der analysierten Nachrichten",
        'total_frauds_detected': "Erkannte Betrügereien",
        'fraud_percentage': "Betrugsprozentsatz",
        'history_title': "Analyseverlauf der Nachrichten",
        'frauds_over_time': "Anzahl der erkannten Betrügereien im Laufe der Zeit",
        'risk_distribution': "Verteilung der Betrugsrisikobewertungen",
        'fraud_country_distribution': "Betrug nach Ländern",
        'heatmap_title': "Heatmap der Betrügereien im Laufe der Zeit",
        'fraud_vs_nonfraud': "Prozentanteil: Betrug vs Sichere Nachrichten",
        'no_data': "Keine Daten zur Anzeige verfügbar."
    },
    'English': {
        'page_title': "📊 Statistics",
        'page_icon': "📈",
        'header': "📊 Application Statistics",
        'description': "Below are the statistics of message analysis in the app.",
        'total_analyses': "Total Messages Analyzed",
        'total_frauds_detected': "Frauds Detected",
        'fraud_percentage': "Fraud Percentage",
        'history_title': "History of Analyzed Messages",
        'frauds_over_time': "Number of Detected Frauds Over Time",
        'risk_distribution': "Distribution of Fraud Risk Scores",
        'fraud_country_distribution': "Fraud Distribution by Countries",
        'heatmap_title': "Fraud Heatmap Over Time",
        'fraud_vs_nonfraud': "Fraud vs Safe Messages Percentage",
        'no_data': "No data available to display."
    }
}

# Główna funkcja zakładki "Statystyki"
def main(language):
    translations = page_translations[language]

    # Pobieranie danych z bazy danych
    stats = get_stats()
    history = get_history()

    # Kluczowe metryki
    total_analyses = stats["total_analyses"]
    total_frauds_detected = stats["total_frauds_detected"]

    # Wyświetlenie metryk
    st.title(translations['header'])
    st.markdown(translations['description'])

    col1, col2, col3 = st.columns(3)
    col1.metric(label=translations['total_analyses'], value=total_analyses)
    col2.metric(label=translations['total_frauds_detected'], value=total_frauds_detected)

    # Obsługa dzielenia przez zero
    if total_analyses > 0:
        fraud_percentage = (total_frauds_detected / total_analyses) * 100
    else:
        fraud_percentage = 0  # Ustawienie na 0% w przypadku braku analiz

    col3.metric(label=translations['fraud_percentage'], value=f"{fraud_percentage:.2f}%")

    # Wizualizacja procentowego podziału oszustw
    fraud_data = [total_frauds_detected, total_analyses - total_frauds_detected]
    fraud_labels = ['Fraud', 'Non-Fraud']
    fig_fraud_pie = go.Figure(data=[go.Pie(labels=fraud_labels, values=fraud_data, hole=.3, marker_colors=['#FF6347', '#4682B4'])])
    fig_fraud_pie.update_layout(title_text=translations['fraud_vs_nonfraud'])
    st.plotly_chart(fig_fraud_pie, use_container_width=True)

    # Wyświetlenie historii analiz w tabeli
    if history:
        st.markdown(f"### {translations['history_title']}")
        # Tworzenie DataFrame z listy słowników
        df_history = pd.DataFrame(history)

        # Upewnij się, że 'timestamp' jest w formacie datetime
        df_history['timestamp'] = pd.to_datetime(df_history['timestamp'])

        # Dodanie kolumny 'date' dla wizualizacji
        df_history['date'] = df_history['timestamp'].dt.date

        # Wyświetlenie tabeli historii
        st.dataframe(df_history[['timestamp', 'phone_number', 'risk_assessment']], height=300)

        # Wykres kołowy dla ocen ryzyka
        st.markdown(f"### {translations['risk_distribution']}")
        
        # Wyodrębnienie ocen ryzyka
        def extract_risk_score(risk_assessment):
            match = re.search(r'(\d+)/10', risk_assessment)
            return int(match.group(1)) if match else 0

        df_history['risk_score'] = df_history['risk_assessment'].apply(extract_risk_score)
        risk_data = df_history['risk_score'].value_counts().sort_index()
        risk_labels = [f'Risk {i}/10' for i in risk_data.index]
        fig_risk_pie = go.Figure(data=[go.Pie(labels=risk_labels, values=risk_data, hole=.3, marker_colors=px.colors.sequential.RdBu)])
        fig_risk_pie.update_layout(title_text=translations['risk_distribution'])
        st.plotly_chart(fig_risk_pie, use_container_width=True)

        # Wizualizacja mapy ciepła (heatmap)
        st.markdown(f"### {translations['heatmap_title']}")
        heatmap_data = df_history.groupby('date').size().reset_index(name='count')
        fig_heatmap = px.density_heatmap(
            heatmap_data, 
            x='date', 
            y='count', 
            nbinsx=20, 
            nbinsy=20, 
            title=translations['heatmap_title'], 
            color_continuous_scale='Blues'
        )
        st.plotly_chart(fig_heatmap, use_container_width=True)

        # Wizualizacja rozkładu oszustw według krajów
        st.markdown(f"### {translations['fraud_country_distribution']}")

        # Dodanie informacji o kraju do historii (jeśli dostępne)
        # Jeśli nie masz danych o kraju, możesz je dodać poprzez pobranie informacji o numerze telefonu
        # Dodamy teraz prostą funkcję, która doda kraj na podstawie numeru telefonu
        from utils.functions import get_phone_info

        def add_country_info(row):
            country, _ = get_phone_info(row['phone_number'])
            return country

        df_history['country'] = df_history.apply(add_country_info, axis=1)

        if 'country' in df_history.columns and df_history['country'].notnull().any():
            country_data = df_history['country'].value_counts().reset_index()
            country_data.columns = ['country', 'counts']
            fig_map = px.choropleth(
                country_data, 
                locations='country', 
                locationmode='country names', 
                color='counts', 
                title=translations['fraud_country_distribution'], 
                color_continuous_scale=px.colors.sequential.Plasma
            )
            st.plotly_chart(fig_map, use_container_width=True)
        else:
            st.info(translations['no_data'])

    else:
        st.info(translations['no_data'])