import streamlit as st import pandas as pd import numpy as np import plotly.express as px import plotly.graph_objects as go import folium from folium.plugins import MarkerCluster import os from resumen import FILE_PATH # 👈 usamos la misma ruta del archivo BD_Mazatlan.xlsm # ======================================================================= # IDENTIDAD DE MARCA (COLORES Y TIPOGRAFÍA) # ======================================================================= COLORS = { "brown": "#8B4513", "gold": "#FD6A02", "white": "#FFFFFF", "darkslate": "#2F4F4F", "beige": "#F5F5DC", "black": "#000000", "light_brown": "#C19A6B", "dark_red": "#8B0000", } TITLE_FONT = "Playfair Display, serif" BODY_FONT = "Lato, sans-serif" ALT_FONT = "Montserrat, sans-serif" # Paleta Picton Blue (solo charts) PICTON_BLUE = [ "#eff8ff", "#dff0ff", "#b8e3ff", "#78cdff", "#38b6ff", "#069af1", "#007ace", "#0061a7", "#02528a", "#084572", "#062b4b" ] BUMP_COLORS = [ "#e6194b", "#3cb44b", "#ffe119", "#4363d8", "#f58231", "#911eb4", "#46f0f0", "#f032e6", "#bcf60c", "#fabebe", "#008080", "#e6beff", "#9a6324", "#fffac8", "#800000", "#aaffc3", "#808000", "#ffd8b1", "#000075", "#808080", ] px.defaults.template = "plotly_dark" px.defaults.color_discrete_sequence = PICTON_BLUE SPANISH_MONTH_ABBR = { 1: "Ene", 2: "Feb", 3: "Mar", 4: "Abr", 5: "May", 6: "Jun", 7: "Jul", 8: "Ago", 9: "Sep", 10: "Oct", 11: "Nov", 12: "Dic", } SHEET_VERTICAL = "Vertical" SHEET_HORIZONTAL = "Horizontal" SHEET_LOTE = "Lote" # ======================================================================= # Helpers para Oferta # ======================================================================= @st.cache_data(show_spinner=False) def load_oferta_catalogo(path: str): """ Carga las hojas Vertical, Horizontal y Lote desde el archivo de BD y asegura que Fecha_inicio_venta sea datetime. """ xls = pd.ExcelFile(path) vertical = pd.read_excel(xls, SHEET_VERTICAL) horizontal = pd.read_excel(xls, SHEET_HORIZONTAL) lote = pd.read_excel(xls, SHEET_LOTE) for df in (vertical, horizontal, lote): if "Fecha_inicio_venta" in df.columns: df["Fecha_inicio_venta"] = pd.to_datetime( df["Fecha_inicio_venta"], errors="coerce" ) return vertical, horizontal, lote def get_ciudad_from_file_path(path: str) -> str: """ Extrae el nombre de la ciudad del archivo BD_XXXX.xlsm. Ejemplo: BD_Mazatlan.xlsm -> Mazatlán """ base = os.path.basename(path) # BD_Mazatlan.xlsm nombre = base.split(".")[0] # BD_Mazatlan if "BD_" in nombre: nombre = nombre.split("BD_")[1] # Mazatlan nombre = nombre.replace("_", " ").strip() # Corrección específica para Mazatlán if nombre.lower() == "mazatlan": return "Mazatlán" # Fallback genérico return nombre.title() def get_desarrollos_nuevos( periodo_sel, periodo_prev, tipo_filter, proyectos_seleccionados, ): """ Devuelve un DataFrame con los desarrollos que ENTRAN en el periodo seleccionado, comparando Fecha_inicio_venta contra periodo_prev y periodo_sel. Regla: - Si hay periodo_prev: Fecha_inicio_venta en (periodo_prev, periodo_sel] - Si NO hay periodo_prev: Fecha_inicio_venta == periodo_sel Todo respeta: - tipo_filter (Vertical / Horizontal / Lote) - proyectos_seleccionados (no mostrar proyectos excluidos) """ vertical, horizontal, lote = load_oferta_catalogo(FILE_PATH) # Agregamos columna Tipo (no viene en el Excel) vertical["Tipo"] = "Vertical" horizontal["Tipo"] = "Horizontal" lote["Tipo"] = "Lote" # Nos quedamos con las columnas relevantes (si existen) cols_base = ["Nombre_desarrollo", "Zona", "Fecha_inicio_venta", "Tipo"] vertical = vertical[[c for c in cols_base if c in vertical.columns]] horizontal = horizontal[[c for c in cols_base if c in horizontal.columns]] lote = lote[[c for c in cols_base if c in lote.columns]] df_all = pd.concat([vertical, horizontal, lote], ignore_index=True) # Filtro por rango de fechas if periodo_sel is None: return pd.DataFrame(columns=["Desarrollo", "Tipo", "Zona"]) if periodo_prev is not None: # Nuevos que entran ENTRE el periodo previo y el periodo base mask_fecha = ( (df_all["Fecha_inicio_venta"] > periodo_prev) & (df_all["Fecha_inicio_venta"] <= periodo_sel) ) else: # Si no hay periodo previo, tomamos los que inician justo en el periodo base mask_fecha = df_all["Fecha_inicio_venta"] == periodo_sel df_all = df_all[mask_fecha] # Respetar filtros globales: tipo_filter y proyectos_seleccionados if tipo_filter: df_all = df_all[df_all["Tipo"].isin(tipo_filter)] if proyectos_seleccionados: df_all = df_all[df_all["Nombre_desarrollo"].isin(proyectos_seleccionados)] # Dejar un registro por desarrollo-tipo-zona df_all = ( df_all.dropna(subset=["Nombre_desarrollo"]) .drop_duplicates(subset=["Nombre_desarrollo", "Tipo", "Zona"]) .copy() ) # Renombrar columnas para el DataFrame final que se mostrará df_final = df_all.rename( columns={ "Nombre_desarrollo": "Desarrollo", "Tipo": "Tipo", "Zona": "Zona", "Fecha_inicio_venta": "Fecha inicio venta", } ) # Orden más bonito df_final = df_final[["Desarrollo", "Tipo", "Zona","Fecha inicio venta"]].sort_values( by=["Tipo", "Desarrollo"] ) # 3. Aplicar la transformación fila por fila df_final["Fecha inicio venta"] = df_final["Fecha inicio venta"].apply( lambda x: f"{SPANISH_MONTH_ABBR[x.month]}-{x.year}" ) return df_final def get_desarrollos_vendidos( periodo_sel, periodo_prev, tipo_filter, proyectos_seleccionados, ): """ Devuelve los desarrollos que SALEN en el periodo seleccionado. Se basa en la columna Fecha_fin_ventas en las hojas Vertical, Horizontal y Lote. Regla: - Si hay periodo_prev → Fecha_fin_ventas en (periodo_prev, periodo_sel] - Si NO hay periodo_prev → Fecha_fin_ventas == periodo_sel Respeta los filtros globales: - tipo_filter - proyectos_seleccionados """ vertical, horizontal, lote = load_oferta_catalogo(FILE_PATH) # Asignar tipo según la hoja correspondiente vertical["Tipo"] = "Vertical" horizontal["Tipo"] = "Horizontal" lote["Tipo"] = "Lote" # Validar columnas esperadas cols_base = ["Nombre_desarrollo", "Zona", "Fecha_fin_ventas", "Tipo"] vertical = vertical[[c for c in cols_base if c in vertical.columns]] horizontal = horizontal[[c for c in cols_base if c in horizontal.columns]] lote = lote[[c for c in cols_base if c in lote.columns]] df_all = pd.concat([vertical, horizontal, lote], ignore_index=True) # Aseguramos datetime if "Fecha_fin_ventas" in df_all.columns: df_all["Fecha_fin_ventas"] = pd.to_datetime( df_all["Fecha_fin_ventas"], errors="coerce" ) # ------------------------------- # Filtro por rango de fechas # ------------------------------- if periodo_sel is None: return pd.DataFrame(columns=["Desarrollo", "Tipo", "Zona"]) if periodo_prev is not None: mask_fecha = ( (df_all["Fecha_fin_ventas"] > periodo_prev) & (df_all["Fecha_fin_ventas"] <= periodo_sel) ) else: mask_fecha = df_all["Fecha_fin_ventas"] == periodo_sel df_all = df_all[mask_fecha] # ------------------------------- # Aplicar filtros globales # ------------------------------- if tipo_filter: df_all = df_all[df_all["Tipo"].isin(tipo_filter)] if proyectos_seleccionados: df_all = df_all[df_all["Nombre_desarrollo"].isin(proyectos_seleccionados)] # ------------------------------- # Limpiar y renombrar para display # ------------------------------- df_all = ( df_all.dropna(subset=["Nombre_desarrollo"]) .drop_duplicates(subset=["Nombre_desarrollo", "Tipo", "Zona"]) .copy() ) df_final = df_all.rename( columns={ "Nombre_desarrollo": "Desarrollo", "Tipo": "Tipo", "Zona": "Zona", "Fecha_fin_ventas": "Fecha fin ventas", } ) df_final = df_final[["Desarrollo", "Tipo", "Zona","Fecha fin ventas"]].sort_values( by=["Tipo", "Desarrollo"] ) # 3. Aplicar la transformación fila por fila df_final["Fecha fin ventas"] = df_final["Fecha fin ventas"].apply( lambda x: f"{SPANISH_MONTH_ABBR[x.month]}-{x.year}" ) return df_final def add_porcentaje_vendido(ventas: pd.DataFrame) -> pd.DataFrame: """ Devuelve el mismo DataFrame de ventas pero con una nueva columna '% vendido', calculada como Ventas_acumuladas / Numero_de_viviendas_planeadas. """ df = ventas.copy() # Aseguramos numéricos num = pd.to_numeric(df.get("Ventas_acumuladas", 0), errors="coerce") denom = pd.to_numeric(df.get("Numero_de_viviendas_planeadas", 0), errors="coerce") # Evitar división entre cero denom = denom.replace(0, np.nan) df["% vendido"] = np.where( denom.notna(), num / denom, np.nan, ) return df def get_proyectos_detenidos( ventas: pd.DataFrame, periodo_sel, tipo_filter, proyectos_seleccionados, ) -> pd.DataFrame: """ Devuelve los desarrollos detenidos en el periodo seleccionado, usando la columna Ventas_detenidas de la hoja Ventas. Regla: - Solo se consideran las filas con Fecha == periodo_sel - Ventas_detenidas debe ser VERDADERO (texto) o True (booleano) - Respeta tipo_filter y proyectos_seleccionados """ if "Ventas_detenidas" not in ventas.columns: return pd.DataFrame(columns=["Desarrollo", "Tipo", "Zona"]) df = ventas.copy() # Filtrar por periodo base df = df[df["Fecha"] == periodo_sel] # Normalizar a valores numéricos df["Ventas_detenidas"] = pd.to_numeric(df["Ventas_detenidas"], errors="coerce").fillna(0) # Checkbox marcado = 1 → detenido mask_det = df["Ventas_detenidas"] == 1 df = df[mask_det] # Aplicar filtros globales de tipo y proyectos if tipo_filter: df = df[df["Tipo_proyecto"].isin(tipo_filter)] if proyectos_seleccionados: df = df[df["Nombre_desarrollo"].isin(proyectos_seleccionados)] # Armar tabla final if df.empty: return pd.DataFrame(columns=["Desarrollo", "Tipo", "Zona"]) df_final = ( df[["Nombre_desarrollo", "Tipo_proyecto", "Zona"]] .drop_duplicates() .rename( columns={ "Nombre_desarrollo": "Desarrollo", "Tipo_proyecto": "Tipo", } ) .sort_values(["Tipo", "Desarrollo"]) ) return df_final def get_proyectos_disponibles( ventas: pd.DataFrame, precios: pd.DataFrame, periodo_sel, periodo_prev, tipo_filter, proyectos_seleccionados, ) -> pd.DataFrame: """ Devuelve los proyectos DISPONIBLES o VENDIDOS en el periodo seleccionado, excluyendo únicamente los detenidos. Estatus: - "Vendido" → aparece en get_desarrollos_vendidos() - "Disponible" → no vendido y no detenido Además calcula: - ventas_ulti_mes = Ventas_periodo / meses_transcurridos - M2_promedio = promedio de M2 de sus prototipos (en hoja Precios) en el periodo base, considerando solo filas con Precio > 0. - % vendido = % de ventas acumuladas sobre viviendas planeadas en el periodo base seleccionado. """ # 1) Filtrar Ventas al periodo base df = ventas.copy() df = df[df["Fecha"] == periodo_sel].copy() # 2) Aplicar filtros globales if tipo_filter: df = df[df["Tipo_proyecto"].isin(tipo_filter)] if proyectos_seleccionados: df = df[df["Nombre_desarrollo"].isin(proyectos_seleccionados)] if df.empty: return pd.DataFrame( columns=[ "Desarrollo", "Tipo", "Zona", "Estatus", "Ventas_acumuladas", "Ventas_periodo", "ventas_ulti_mes", "M2_promedio", "Inventario_disponible", "Numero_de_viviendas_planeadas", ] ) # ================================================== # 3) Obtener vendidos y detenidos # ================================================== df_vendidos = get_desarrollos_vendidos( periodo_sel=periodo_sel, periodo_prev=periodo_prev, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) df_detenidos = get_proyectos_detenidos( ventas=ventas, periodo_sel=periodo_sel, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) vendidos_set = set(df_vendidos["Desarrollo"].unique()) if not df_vendidos.empty else set() detenidos_set = set(df_detenidos["Desarrollo"].unique()) if not df_detenidos.empty else set() # ================================================== # 4) EXCLUIR solo los detenidos # ================================================== df = df[~df["Nombre_desarrollo"].isin(detenidos_set)].copy() if df.empty: return pd.DataFrame( columns=[ "Desarrollo", "Tipo", "Zona", "Estatus", "Ventas_acumuladas", "Ventas_periodo", "ventas_ulti_mes", "M2_promedio", "Inventario_disponible", "Numero_de_viviendas_planeadas", ] ) # ================================================== # 5) Crear columna Estatus: "Vendido" o "Disponible" # ================================================== df["Estatus"] = df["Nombre_desarrollo"].apply( lambda x: "Vendido" if x in vendidos_set else "Disponible" ) # ================================================== # 6) Asegurar números limpios # ================================================== for col in [ "Ventas_acumuladas", "Ventas_periodo", "Inventario_disponible", "Numero_de_viviendas_planeadas", ]: if col in df.columns: df[col] = pd.to_numeric(df[col], errors="coerce") # ================================================== # 7) Calcular ventas_ulti_mes # ================================================== if periodo_prev is not None: meses_transcurridos = (periodo_sel.year - periodo_prev.year) * 12 + ( periodo_sel.month - periodo_prev.month ) else: meses_transcurridos = 1 if meses_transcurridos is None or meses_transcurridos <= 0: meses_transcurridos = 1 df["ventas_ulti_mes"] = df["Ventas_periodo"] / meses_transcurridos # ================================================== # 8) Calcular M2_promedio por proyecto desde hoja Precios # ================================================== # Lista de desarrollos que quedaron (ya sin detenidos) proyectos_validos = df["Nombre_desarrollo"].unique() pre = precios.copy() # Filtrar al periodo base pre = pre[pre["Fecha"] == periodo_sel].copy() # Solo proyectos vigentes en df pre = pre[pre["Nombre_desarrollo"].isin(proyectos_validos)] # Opcional: respeta tipo_filter si quieres ser más estricto if tipo_filter: pre = pre[pre["Tipo_proyecto"].isin(tipo_filter)] # Asegurar numéricos if "Precio" in pre.columns: pre["Precio"] = pd.to_numeric(pre["Precio"], errors="coerce") if "M2" in pre.columns: pre["M2"] = pd.to_numeric(pre["M2"], errors="coerce") # Solo prototipos con Precio > 0 pre = pre[(pre["Precio"].notna()) & (pre["Precio"] > 0)] # Calcular M2 promedio por proyecto-tipo if not pre.empty and "M2" in pre.columns: df_m2 = ( pre.groupby(["Nombre_desarrollo", "Tipo_proyecto"], as_index=False)["M2"] .mean() .rename(columns={"M2": "M2_promedio"}) ) else: df_m2 = pd.DataFrame( columns=["Nombre_desarrollo", "Tipo_proyecto", "M2_promedio"] ) # Unir M2_promedio a df (por proyecto-tipo) df = df.merge( df_m2, on=["Nombre_desarrollo", "Tipo_proyecto"], how="left", ) # ================================================== # 9) Armar DataFrame final # ================================================== df_final = ( df[ [ "Nombre_desarrollo", "Tipo_proyecto", "Zona", "Estatus", "Ventas_acumuladas", "Ventas_periodo", "ventas_ulti_mes", "M2_promedio", "Inventario_disponible", "Numero_de_viviendas_planeadas", ] ] .drop_duplicates() .rename( columns={ "Nombre_desarrollo": "Desarrollo", "Tipo_proyecto": "Tipo", } ) .sort_values(["Tipo", "Desarrollo"]) ) df_final["% vendido"] = df_final["Ventas_acumuladas"] / df_final["Numero_de_viviendas_planeadas"] return df_final def build_resumen_proyectos_vivienda(df_disponibles: pd.DataFrame) -> pd.DataFrame: """ Construye la tabla de resumen por tipo (Vertical, Horizontal, Lote) a partir de df_disponibles, que ya contiene: - Desarrollo - Tipo - Zona - Estatus (Disponible / Vendido) - Ventas_acumuladas - Ventas_periodo - ventas_ulti_mes - M2_promedio - Inventario_disponible - Numero_de_viviendas_planeadas - % vendido """ tipos = ["Vertical", "Horizontal", "Lote"] filas = [] def filtro_tipo(df, tipo): return df[df["Tipo"] == tipo] for tipo in tipos: df_t = filtro_tipo(df_disponibles, tipo) df_disp = df_t[df_t["Estatus"] == "Disponible"] df_disp_ven = df_t[df_t["Estatus"].isin(["Disponible", "Vendido"])] # 1) Proyectos proyectos = df_disp["Desarrollo"].nunique() # 2) Inventario disponible inventario_disp = df_disp["Inventario_disponible"].sum(min_count=1) # 3) Absorción promedio último mes x desarrollo absorcion_prom_x_des = df_disp_ven["ventas_ulti_mes"].mean() # 4) Absorción mensual x último mes (total) absorcion_mensual = df_disp_ven["ventas_ulti_mes"].sum(min_count=1) # 5) Medida promedio (solo disponibles) medida_prom = df_disp["M2_promedio"].mean() # 6) Estimación venta oferta disponible (meses) if absorcion_mensual and absorcion_mensual > 0: meses_estim = inventario_disp / absorcion_mensual else: meses_estim = np.nan # 7) % vendido (solo disponibles) pct_vendido = df_disp["% vendido"].mean() filas.append( { "Tipo": tipo, "Proyectos:": proyectos, "Inventario disponible:": inventario_disp, "Absorción promedio último mes x desarrollo:": absorcion_prom_x_des, "Absorción mensual x último mes:": absorcion_mensual, "Medida promedio:": medida_prom, "Estimación de venta de oferta disponible (meses):": meses_estim, "% vendido": pct_vendido, } ) # Pasar a DataFrame y pivotear al formato solicitado df_metricas = pd.DataFrame(filas) # columnas: Tipo + métricas # Queremos filas = métricas, columnas = tipos df_metricas = df_metricas.set_index("Tipo").T # Renombrar índice a "Metricas" df_metricas.index.name = "Metricas" # Reordenar columnas explícitamente df_metricas = df_metricas[["Vertical", "Horizontal", "Lote"]] # Opcional: redondear algunos valores para que se vean mejor # (no tocamos "Proyectos:" que es entero) for metrica in df_metricas.index: if metrica in [ "Inventario disponible:", "Absorción mensual x último mes:", ]: df_metricas.loc[metrica] = df_metricas.loc[metrica].round(1) elif metrica in [ "Absorción promedio último mes x desarrollo:", "Medida promedio:", "Estimación de venta de oferta disponible (meses):", ]: df_metricas.loc[metrica] = df_metricas.loc[metrica].round(2) elif metrica == "% vendido": # Dejar como proporción o convertir a % según prefieras df_metricas.loc[metrica] = (df_metricas.loc[metrica] * 100).round(1) return df_metricas.reset_index() # ======================================================================= # Página de Oferta # ======================================================================= def oferta_page( ventas, precios, periodo_sel, periodo_prev, tipo_filter, proyectos_seleccionados, ): """ Página de Oferta del dashboard REM. TODO lo que se muestra respeta los filtros globales que vienen de REM.py. """ st.title("Oferta") st.caption( f"Periodo base: {periodo_sel.strftime('%Y-%m-%d')}" + (f" | Periodo anterior: {periodo_prev.strftime('%Y-%m-%d')}" if periodo_prev else "") ) st.sidebar.markdown("**Contexto de esta sección**") st.sidebar.caption( "Todos los indicadores de Oferta respetan los filtros de tipo de proyecto y " "proyectos seleccionados en la barra lateral." ) # ============================== # Layout principal de 5 columnas # ============================== c1, c2, c3, c4 = st.columns(4) # ------------------------------------------------------------------- # C1: Desarrollos nuevos que entran # ------------------------------------------------------------------- df_nuevos = get_desarrollos_nuevos( periodo_sel=periodo_sel, periodo_prev=periodo_prev, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) with c1: st.subheader("Desarrollos nuevos que entran") if df_nuevos.empty: st.info( "No hay desarrollos nuevos que hayan iniciado ventas en este periodo " "con los filtros actuales." ) else: st.dataframe( df_nuevos, use_container_width=True, hide_index=True, ) # Explicación dinámica if periodo_prev: st.info( f"Esta tabla muestra los desarrollos que **iniciaron ventas** entre " f"**{periodo_prev.strftime('%Y-%m-%d')}** y **{periodo_sel.strftime('%Y-%m-%d')}**." ) else: st.info( f"Esta tabla muestra los desarrollos que **iniciaron ventas en el periodo** " f"**{periodo_sel.strftime('%Y-%m-%d')}**." ) # ------------------------------------------------------------------- # C2: Desarrollos vendidos (que salieron) # ------------------------------------------------------------------- df_vendidos = get_desarrollos_vendidos( periodo_sel=periodo_sel, periodo_prev=periodo_prev, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) with c2: st.subheader("Desarrollos vendidos (que salieron)") if df_vendidos.empty: st.info( "No hay desarrollos que hayan finalizado ventas en este periodo " "con los filtros actuales." ) else: st.dataframe( df_vendidos, use_container_width=True, hide_index=True, ) # Explicación dinámica if periodo_prev: st.info( f"Estos son los desarrollos que **finalizaron sus ventas** entre " f"**{periodo_prev.strftime('%Y-%m-%d')}** y **{periodo_sel.strftime('%Y-%m-%d')}**." ) else: st.info( f"Estos son los desarrollos que **finalizaron sus ventas en el periodo** " f"**{periodo_sel.strftime('%Y-%m-%d')}**." ) # ------------------------------------------------------------------- # C3: Desarrollos maduros: que saldrán # ------------------------------------------------------------------- ventas_con_pct = add_porcentaje_vendido(ventas) # Filtrar al periodo base df_maduros = ventas_con_pct[ventas_con_pct["Fecha"] == periodo_sel].copy() # Aplicar filtros globales de tipo y proyectos seleccionados if tipo_filter: df_maduros = df_maduros[df_maduros["Tipo_proyecto"].isin(tipo_filter)] if proyectos_seleccionados: df_maduros = df_maduros[df_maduros["Nombre_desarrollo"].isin(proyectos_seleccionados)] # Filtrar los que tienen % vendido >= 95% df_maduros = df_maduros[(df_maduros["% vendido"] >= 0.95) & (df_maduros["% vendido"]<1.0)] with c3: st.subheader("Desarrollos maduros: que saldrán") if df_maduros.empty: st.info( "No hay desarrollos con más del 95% vendido en el periodo base " "con los filtros actuales." ) else: # Armamos el dataframe final: Desarrollo, Tipo, Zona df_display_maduros = ( df_maduros[["Nombre_desarrollo", "Tipo_proyecto", "Zona","% vendido"]] .drop_duplicates() .rename( columns={ "Nombre_desarrollo": "Desarrollo", "Tipo_proyecto": "Tipo", } ) .sort_values(["Tipo", "Desarrollo"]) ) # Multiplicas por 100 y le pones el símbolo % df_display_maduros["% vendido"] = df_display_maduros["% vendido"].apply( lambda x: f"{x:.1%}" ) st.dataframe( df_display_maduros, use_container_width=True, hide_index=True, ) # Explicación dinámica st.info( f"Estos son los desarrollos que tienen un **porcentaje vendido mayor al 95%** " f"en el periodo **{periodo_sel.strftime('%Y-%m-%d')}**. " "Son proyectos que están por agotar su inventario y pronto saldrán del mercado." ) # ------------------------------------------------------------------- # C4: Desarrollos detenidos # ------------------------------------------------------------------- df_detenidos = get_proyectos_detenidos( ventas=ventas, periodo_sel=periodo_sel, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) with c4: st.subheader("Desarrollos detenidos") if df_detenidos.empty: st.info( "No hay desarrollos marcados como detenidos en el periodo base " "con los filtros actuales." ) else: st.dataframe( df_detenidos, use_container_width=True, hide_index=True, ) st.info( f"Proyectos cuya comercialización está detenida " f"en el periodo **{periodo_sel.strftime('%Y-%m-%d')}**" ) st.divider() st.subheader("Detalle de la oferta") st.caption( "A continuación puedes ver análisis más específicos de la oferta, " "complementando el resumen rápido de entradas, salidas, maduros y detenidos." ) # ====================================================== # Tabla: Proyectos disponibles en el periodo seleccionado # ====================================================== df_disponibles = get_proyectos_disponibles( ventas=ventas, precios=precios, periodo_sel=periodo_sel, periodo_prev=periodo_prev, tipo_filter=tipo_filter, proyectos_seleccionados=proyectos_seleccionados, ) # =========================================== # Tabla resumen: PROYECTOS DE VIVIENDA EN X # =========================================== if not df_disponibles.empty: ciudad = get_ciudad_from_file_path(FILE_PATH) titulo_resumen = f"PROYECTOS DE VIVIENDA EN {ciudad.upper()}" st.subheader(titulo_resumen) df_resumen = build_resumen_proyectos_vivienda(df_disponibles) st.dataframe( df_resumen, use_container_width=True, hide_index=True, ) st.info( "Esta tabla resume, por tipo de proyecto, cuántos desarrollos hay, " "qué inventario está disponible, cómo ha sido la absorción reciente " "y cuántos meses, al ritmo actual, tomaría vender la oferta disponible." ) df_disponibles["% vendido"] = df_disponibles["% vendido"].apply( lambda x: f"{x:.1%}" ) st.subheader("Proyectos disponibles en el periodo") if df_disponibles.empty: st.info( "No se encontraron proyectos disponibles en el periodo base " "con los filtros actuales." ) else: st.dataframe( df_disponibles, use_container_width=True, hide_index=True, ) st.info( f"Estos son los proyectos que **siguen activos y disponibles** en el periodo " f"**{periodo_sel.strftime('%Y-%m-%d')}**, después de excluir los que " "ya terminaron ventas y los que están detenidos." ) # Si quieres, podemos dejar de momento esto comentado: # st.subheader("Vista rápida de proyectos seleccionados") # ventas_filtradas = ventas[ # (ventas["Nombre_desarrollo"].isin(proyectos_seleccionados)) & # (ventas["Tipo_proyecto"].isin(tipo_filter)) # ] # st.dataframe(ventas_filtradas.head(20), use_container_width=True)