SuperMarket-Dash

O intuito desse projeto é a criação de um dashboard em python utilizando a biblioteca dash. Eu sei que o mercado tem exigido bastante sobre Tableau, Power BI entre outras ferramentas. Abaixo deixarei algumas vantagens em construir dashboards com a biblioteca Dash.

Totalmente Personalizável: Dash permite um controle total sobre a aparência e o funcionamento do seu dashboard. Você pode personalizar cada aspecto para se adequar às necessidades específicas do seu projeto.
Linguagem Python: Se você já está familiarizado com Python, Dash oferece uma vantagem significativa. Você pode usar suas habilidades de programação para criar dashboards interativos sem precisar aprender uma nova linguagem.
Integração com Bibliotecas Python: Dash é altamente compatível com outras bibliotecas Python, como Pandas, Plotly e NumPy, o que facilita a manipulação e visualização de dados.
Open Source: Dash é de código aberto, o que significa que você não precisa pagar licenças caras. É uma opção econômica para empresas e projetos menores.
Flexibilidade: Você pode hospedar seu aplicativo Dash em um servidor da sua escolha, permitindo maior flexibilidade na implantação.
Controle Local: Dash permite a criação de dashboards locais, o que é útil para manter o controle de seus dados e análises.
Escalabilidade: Com a crescente popularidade do Python, Dash tem uma comunidade ativa que continua aprimorando e expandindo suas funcionalidades.
Segurança: Dash oferece recursos para garantir que seus dados e dashboards sejam seguros, permitindo o controle do acesso aos usuários autorizados.
Suporte e Documentação: Dash possui uma comunidade sólida e uma abundância de recursos de aprendizado e documentação online.

Embora Power BI e Tableau também tenham suas vantagens, Dash se destaca em termos de personalização, controle e uso da linguagem Python. A escolha entre essas ferramentas depende das necessidades específicas do projeto e da experiência da equipe.

Bibliotecas

dash==2.7.0
dash-bootstrap-components==1.5.0
dash-bootstrap-templates==1.1.1
dash-core-components==2.0.0
dash-html-components==2.0.0
dash-table==5.0.0
gunicorn==20.1.0
numpy==1.20.0
pandas==1.3.0
plotly==5.5.0

Deploy

https://render.com/

Código

Inicialização do projeto

Descrição Simples:

Este é o coração do nosso projeto! Aqui, criamos o nosso aplicativo mágico usando a biblioteca Dash. Além disso, preparamos nossos dados de vendas de supermercado para uma análise incrível. 🛒✨

O que Este Código Faz:
Inicializa o aplicativo Dash com um estilo visual encantador.
Prepara nosso servidor para a mágica acontecer.
Em seguida, importamos os dados de vendas de um arquivo CSV chamado "supermarket_sales.csv" e realizamos algumas ações mágicas:
Verificamos informações sobre os dados.
Descobrimos quais cidades estão em nossos dados.
Transformamos a coluna de data em um formato de data.
A partir daqui, nossa jornada mágica de análise de vendas começa! ✨📊
- app = dash.Dash(external_stylesheets=[dbc.themes.MINTY])
- server = app.server
- data = pd.read_csv("supermarket_sales.csv")
- data.info()
- data["City"].value_counts().index
- data["Date"] = pd.to_datetime(data["Date"])

Configuração do Layout do App

Aqui, nós moldamos a aparência do nosso aplicativo mágico! Utilizando o Dash e Dash Bootstrap Components, criamos um layout incrível para a nossa análise de vendas. 📈✨

O que Este Código Faz:
Configura um painel com várias seções, organizadas de forma encantadora.
Apresenta informações-chave sobre nossos dados de vendas de supermercado.
Oferece opções interativas para explorar as cidades e variáveis de análise.
Exibe gráficos mágicos que revelam insights sobre nossos dados.

Nosso aplicativo é agora uma janela para o mundo das análises de vendas! 🪄😊

  app.layout =  html.Div(children=[
           dbc.Row([
              dbc.Col([
                  dbc.Card([
                      html.H2("RBlack", style={"font-family": "Voltaire", "font-size": "60px"}),
                      html.Hr(),

                      html.H5("Cities:"),
                      dcc.Checklist(data["City"].value_counts().index,
                      data["City"].value_counts().index, id="check_city",
                      inputStyle={"margin-right": "5px", "margin-left": "20px"}),
                      html.Hr(),
                      html.H5("Analysis Variable"),
                      dcc.RadioItems(["gross income", "Rating"], "gross income", id="main_variable",
                      inputStyle={"margin-right": "5px", "margin-left": "20px"}),

                  ], style={"height":"90vh", "margin":"20px", "padding":"20px"})

              ], sm=2),

              dbc.Col([
                  dbc.Row([
                      dbc.Col([dcc.Graph(id="city_fig"),],sm=4),
                      dbc.Col([dcc.Graph(id="gender_fig"),],sm=4),
                      dbc.Col([dcc.Graph(id="pay_fig"),],sm=4)
                  ]),
                  dbc.Row([dcc.Graph(id="income_per_date_fig")]),
                  dbc.Row([dcc.Graph(id="income_per_product_fig")])

              ], sm=10)

          ])
      
      ]

  )

Callbacks Mágicos

Aqui estão os feitiços que tornam nosso aplicativo verdadeiramente mágico! Esses callbacks, criados com o Dash, reagem às escolhas do usuário e geram gráficos incríveis. 🪄📊

O que Este Código Faz:

Recebe escolhas do usuário, como cidades e variáveis principais.
Filtra os dados com base nas escolhas.
Calcula estatísticas mágicas, como soma ou média, dependendo da variável principal.
Cria gráficos mágicos que revelam insights com base nas escolhas do usuário.

Os gráficos gerados são uma janela para a compreensão de nossos dados e revelam segredos sobre nossas vendas de supermercado. 🌟😊

      @app.callback([
              Output("city_fig", "figure"),
              Output("gender_fig", "figure"),
              Output("pay_fig", "figure"),
              Output("income_per_date_fig", "figure"),
              Output("income_per_product_fig", "figure")

          ],

              [
                  Input("check_city", "value"),
                  Input("main_variable", "value")

              ])
  def render_graph(cities, main_variable):
  operation = np.sum if main_variable == "gross income" else np.mean
  data_filtered = data[data["City"].isin(cities)]
  data_city = data_filtered.groupby("City")[main_variable].apply(operation).to_frame().reset_index()
  data_gender = data_filtered.groupby(["Gender", "City"])[main_variable].apply(operation).to_frame().reset_index()
  data_payment = data_filtered.groupby("Payment")[main_variable].apply(operation).to_frame().reset_index()
  data_product_time = data_filtered.groupby("Date")[main_variable].apply(operation).to_frame().reset_index()
  data_product_income = data_filtered.groupby(["Product line", "City"])[main_variable].apply(operation).to_frame().reset_index()

  fig_city = px.bar(data_city, x="City", y=main_variable)
  fig_payment = px.bar(data_payment, y="Payment", x=main_variable, orientation="h")
  fig_gender = px.bar(data_gender, y=main_variable,x="Gender", color="City",barmode="group")
  fig_product_income = px.bar(data_product_income, x= main_variable, y="Product line", color="City", orientation="h", barmode="group")
  fig_product_date = px.bar(data_product_time, y= main_variable, x="Date")

  for fig in [fig_city,fig_payment,fig_gender,fig_product_date]:
      fig.update_layout(margin=dict(l=0,r=0,t=20,b=20),height=200, template="minty")
  
  fig_product_income.update_layout(margin=dict(l=0,r=0,t=20,b=20),height=500)
  
  return fig_city, fig_gender, fig_payment,  fig_product_date, fig_product_income

Executando o Feitiço Final

Aqui está o toque final de magia! Ao executar esta parte do código, nosso aplicativo ganha vida e fica pronto para encantar. 🚀✨