Update pages/Statistics.py

pages/Statistics.py

@@ -1,26 +1,103 @@
-# pages/Statistics.py
-
 import streamlit as st
+import pandas as pd
+import plotly.express as px
+import json
+from utils.functions import get_stats, get_history, is_fake_number
+from datetime import datetime
+
+# Ustawienie strony
+st.set_page_config(
+    page_title="📊 Statystyki Scam Detector",
+    layout="wide",
+)
+
+# Funkcja do załadowania statystyk
+def load_stats():
+    stats = get_stats()
+    return stats
+
+# Funkcja do załadowania historii
+def load_history():
+    history = get_history()
+    return pd.DataFrame(history)
+
+# 1. Statystyki ogólne
+st.markdown("## 📊 Ogólne Statystyki")
+
+# Ładowanie danych
+stats = load_stats()
+history_df = load_history()
+
+# Kluczowe metryki
+total_analyses = stats["total_analyses"]
+total_frauds_detected = stats["total_frauds_detected"]
+
+# Wyświetlenie metryk w poziomych kolumnach
+col1, col2, col3 = st.columns(3)
+col1.metric(label="Liczba przeanalizowanych wiadomości", value=total_analyses)
+col2.metric(label="Wykryte oszustwa", value=total_frauds_detected)
+col3.metric(label="Procent oszustw", value=f"{(total_frauds_detected/total_analyses)*100:.2f}%")
+
+# 2. Dynamika analiz w czasie
+st.markdown("### 📈 Dynamika analiz w czasie")
+history_df['timestamp'] = pd.to_datetime(history_df['timestamp'])
+history_df['date'] = history_df['timestamp'].dt.date
+
+# Grupowanie po dacie
+analyses_per_day = history_df.groupby('date').size().reset_index(name='count')
+
+# Wykres dynamiki analiz
+fig_analyses = px.line(analyses_per_day, x='date', y='count', title='Liczba analiz dziennie', labels={'count':'Liczba analiz', 'date':'Data'})
+st.plotly_chart(fig_analyses, use_container_width=True)
+
+# 3. Wykryte oszustwa na przestrzeni czasu
+st.markdown("### 🚨 Wykryte oszustwa na przestrzeni czasu")
+history_df['fraud_detected'] = history_df['risk_assessment'].apply(lambda x: 'Tak' if 'wysokie ryzyko' in x else 'Nie')
+frauds_per_day = history_df[history_df['fraud_detected'] == 'Tak'].groupby('date').size().reset_index(name='count')
+
+# Wykres wykrytych oszustw
+fig_frauds = px.bar(frauds_per_day, x='date', y='count', title='Liczba wykrytych oszustw dziennie', labels={'count':'Liczba oszustw', 'date':'Data'})
+st.plotly_chart(fig_frauds, use_container_width=True)
+
+# 4. Najczęściej zgłaszane numery
+st.markdown("### 📞 Najczęściej zgłaszane numery jako oszustwa")
+# Grupa zgłoszonych numerów
+fake_numbers_df = history_df[history_df['fraud_detected'] == 'Tak'].groupby('phone_number').size().reset_index(name='count').sort_values(by='count', ascending=False).head(10)
+
+# Tabela zgłoszonych numerów
+st.table(fake_numbers_df)
+
+# 5. Kraje i operatorzy telefonii komórkowej związani z oszustwami
+st.markdown("### 🌍 Kraje i operatorzy telefonii komórkowej związani z oszustwami")
+if not history_df.empty:
+    history_df['country'], history_df['operator'] = zip(*history_df['phone_number'].apply(lambda x: get_phone_info(x) if is_fake_number(x) else (None, None)))
+    country_stats = history_df[history_df['country'].notna()].groupby('country').size().reset_index(name='count').sort_values(by='count', ascending=False)
+
+    # Wykres mapy krajów
+    fig_map = px.choropleth(country_stats, locations='country', locationmode='country names', color='count', title='Liczba zgłoszonych oszustw według kraju')
+    st.plotly_chart(fig_map, use_container_width=True)
+
+# 6. Średni czas analizy wiadomości
+st.markdown("### ⏱ Średni czas analizy wiadomości")
+history_df['analysis_time'] = (history_df['timestamp'].max() - history_df['timestamp'].min()).seconds
+average_analysis_time = history_df['analysis_time'].mean()
+
+# Wyświetlenie średniego czasu analizy
+st.metric(label="Średni czas analizy", value=f"{average_analysis_time:.2f} sekund")
+
+# 7. Statystyki użytkowników
+st.markdown("### 👥 Statystyki użytkowników")
+# Placeholder dla użytkowników, np. statystyk związanych z kontami (jeśli aplikacja ma użytkowników zarejestrowanych)
+st.metric(label="Liczba użytkowników", value="500")  # Zastąp dynamiczną wartością, jeśli dostępna
+
+# 8. Zgłoszenia numerów jako oszustwa
+st.markdown("### 🚩 Zgłoszenia numerów jako oszustwa")
+reports_per_day = history_df[history_df['fraud_detected'] == 'Tak'].groupby('date').size().reset_index(name='count')
+
+# Wykres zgłoszeń numerów
+fig_reports = px.bar(reports_per_day, x='date', y='count', title='Liczba zgłoszeń numerów jako oszustwa dziennie', labels={'count':'Liczba zgłoszeń', 'date':'Data'})
+st.plotly_chart(fig_reports, use_container_width=True)
 
-# Definiowanie tłumaczeń dla tej podstrony
-page_translations = {
-    'Polish': {
-        'header': "📈 Statystyki",
-        'content': """Tutaj znajdują się statystyki dotyczące analizowanych wiadomości SMS."""
-    },
-    'German': {
-        'header': "📈 Statistiken",
-        'content': """Hier befinden sich Statistiken zu den analysierten SMS-Nachrichten."""
-    },
-    'English': {
-        'header': "📈 Statistics",
-        'content': """Here are the statistics of the analyzed SMS messages."""
-    }
-}
-
-def main(language):
-    st.header(page_translations[language]['header'])
-    st.write(page_translations[language]['content'])
-    # Tutaj dodaj resztę funkcjonalności statystyk
-
-# Do not include "if __name__ == '__main__':" block in pages
+# 9. Historia analiz
+st.markdown("### 🕑 Historia analizowanych wiadomości")
+st.dataframe(history_df[['timestamp', 'phone_number', 'analysis', 'risk_assessment', 'recommendations']].head(10))