app.py

from PIL import Image
from matplotlib import pyplot as plt
import openai
import os
import streamlit as st
import pandas as pd
import matplotlib.font_manager as fm
import requests
from io import BytesIO
import random
from st_pages import show_pages_from_config, add_page_title

# ======================================================================================================================
# open ai key
# ======================================================================================================================
os.environ["OPENAI_TOKEN"] = st.secrets["OPENAI_TOKEN"]
openai_token = os.environ.get("OPENAI_TOKEN")
if not openai_token:
    raise ValueError("no openai token!")
openai.api_key = openai_token


# ======================================================================================================================
# streamlit 설정
# ======================================================================================================================
add_page_title(layout="wide")
show_pages_from_config()

st.title("온국민 ESG 가계부")

st.markdown("""안녕하세요. 사용자님의 이름을 입력하시면 사용자님의 소비 내역을 ESG 기준으로 분석하여 제공합니다.\n
더 나아가, ESG 중에서 가장 소비가 적은 분야에 대해 대체 소비를 유도할 수 있도록 해당 카테고리의 지수가 더 높은 브랜드를 추천해 드립니다. 🌟\n
마지막으로, 은행 마스코트가 포함된 개인화된 이미지와 함께 마스코트 친구가 분석한 소비 패턴을 경험해 보세요!🤩""")

# strealit font 설정 (구글 font만 가능)
font = "Noto Sans Korean"

# strealit 배경색 설정
backgroundColor = "#F0F0F0"

# plot font 설정
font_dirs = ['./fonts']
font_files = fm.findSystemFonts(fontpaths=font_dirs)

for font_file in font_files:
    fm.fontManager.addfont(font_file)

fm._load_fontmanager(try_read_cache=False)
plt.rcParams['font.family'] = 'NanumGothicCoding'

# ======================================================================================================================
# data 선언
# ======================================================================================================================
brand_df_col_dict = {
    '대분류': str,
    '중분류': str,
    '법인명': str,
    '브랜드명': str,
    'brno': str,
    'crno': str,
}
spending_df = pd.read_csv("./data/base_data.csv", encoding="utf-8")
influence_df = pd.read_csv("./data/influence_df.csv")
influence_df['날짜'] = pd.to_datetime(influence_df['날짜'])
influence_df['월'] = influence_df['날짜'].dt.month

brand_df = pd.read_csv("./data/brand_df.csv", dtype=brand_df_col_dict, encoding="utf-8-sig")

# ======================================================================================================================
# 변수 선언
# ======================================================================================================================
color_palette = ["#ffa505", "#ffb805", "#ffc905", "#ffe505", "#fffb05"]

brand_dict = {
    "CU":"cu",
    "쿠팡": "coupang",
    "다이소":"daiso",
    "홈플러스":"homeplus",
    "인터파크":"interpark",
    "제주항공":"jejuair",
    "올리브영":"oliveyoung",
    "세븐일레븐":"seven",
    "스타벅스":"starbucks",
    "넷플릭스":"netflix",
    "GS25":"gs25",
    "11번가":"11st",
    "버거킹":"burgerking",
    "본도시락":"bonif",
    "애플":"apple",
    "더벤티":"theventi",
    "지마켓":"gmarket",
    "네이버페이":"naverpay",
    "카카오페이":"cacaopay",
    "티몬":"tmon",
    "위메프":"wemap",
    "크린토피아":"cleantopia",
    "투썸플레이스":"towsome",
    "이마트":"emart",
    "SK브로드밴드":"skbro",
    "현대해상" : "hdmi",
    "SK매직":"skmagic",
    "롯데쇼핑":"lotteshop",
    "뚜레쥬르":"torejo",
    "장난감도서관":"toylib",
    "파리바게뜨":"paba",
    "무신사":"musinsa",
    "이디야커피":"ediya",
    "배스킨라빈스":"br",
    "롯데리아":"lotteria",
    "멜론티켓":"melon",
    "옥션":"auction",
    "티머니":"tmoney",
    "우체국":"postoffice",
    "KT통신":"kytele"
}

# 업종 분류 : 영어번역
eng_cat_dict = {
    "(건강)식품": "healthy food",
    "종합소매점": "retail",
    "기타도소매": "wholesale and retail",
    "농수산물": "grocery store",
    "의류/패션": "clothing Store",
    "편의점": "convenience store",
    "화장품": "makeup shop",
    "PC방": "internet cafe",
    "교육": "educational institute",
    "기타 서비스": "service industries",
    "반려동물 관련": "animal hospital",
    "배달": "food delivery",
    "임대": "real estate agent",
    "부동산 중개": "real estate agent",
    "세탁": "laundry shop",
    "숙박": "hotel",
    "스포츠": "gym",
    "안경": "optician´s shop",
    "약국": "pharmacy",
    "오락": "Amusement arcade",
    "운송": "delivery",
    "유아 관련": "baby product store",
    "미용": "hair salon",
    "인력 파견": "moving van",
    "이사": "moving van",
    "자동차": "car dealership",
    "분식": "korean restaurant",
    "한식": "korean restaurant",
    "서양식": "american restaurant",
    "아이스크림/빙수 ": "icecream shop",
    "커피/음료": "cafe",
    "일식": "japanese restaurant",
    "제과제빵": "bakery",
    "주점": "pub",
    "중식": "chinese restaurant",
    "기타 외식": "restaurant",
    "치킨": "restaurant",
    "패스트푸드": "restaurant",
    "피자": "restaurant",
    "전자상거래" : "e-commerce",
    "결제대행" : "payment agency",
    "금융/보험" : "finance/insurance",
    "문화" : "theater",
    "건강/의료" : "health/medical care",
    "통신업" : "telecommunications",
    "대중교통" : "public transport",
    "공과금" : "utilities",
    "교통" : "traffic",
    "스트리밍": "streaming service",
    "통신": "the information and communications",
    "금융": "finance",
    "가전": "appliance",
}

# 국민은행 캐릭터 성격
personality_dict = {
    "심쿵비비":"듬직하고 배려깊게 친구들을 잘 보듬어주는 다정다감하고 순둥순둥한 성격",
    "멜랑콜리":"항상 무심한 표정으로 뚱해보이지만 말 없이 친구들을 잘 챙기는 따뜻한 성격",
    "포스아거":"무모할 정도로 도전정신이 넘치고 허당미 뿜뿜한 성격",
    "롤로라무":"언제 어떤 일이 있어도 다 괜찮다고 생각하는 무한긍정 성격",
    "루나키키":"호불호가 분명하고 감정표현이 자유분방하며, 솔직하고 뒤 끝 없는 성격"
}

# 각 등급별 하위 몇%
idx_grade_dict = {
    "S": 0.9,
    "A": 0.6,
    "B": 0.4,
    "C": 0.2,
    "D": 0.1,
}

# 브랜드 리스트
brand_list = list(spending_df["이용 브랜드"].unique())

# ======================================================================================================================
# 함수 선언
# ======================================================================================================================

# 날짜 col 9월 기준으로 9, 8, 7 가중치 적용? 최근일 수록 가중치가 높은 6월 이전은 같은 점수
# 가중치기준...   1.5 / 1.25 / 1.1 / 1

# 각 브랜드별 ESG 성적표 df 제작
def make_brand_esg_grad_df(influence_df):
    data = {
        "브랜드 이름": [],
        "환경 점수": [],
        "사회 점수": [],
        "지배구조 점수": []
    }
    grade_dict = {"매우 긍정적인 영향력": 10,
                  "약간 긍정적인 영향력": 5,
                  "약간 부정적인 영향력": -5,
                  "매우 부정적인 영향력": -10,
                  }

    target_month = 9

    # 성적 담을 빈 데이터프레임 제작
    brand_esg_grade_df = pd.DataFrame(data)

    green = "환경"
    social = "사회"
    gover = "지배구조"

    for brand in brand_list:
        green_weight = 0
        social_weight = 0
        gover_weight = 0

        filtered_brand_df = influence_df[influence_df["브랜드"] == brand]

        # 영향력 수치화
        for i in range(len(filtered_brand_df)):
            influence = filtered_brand_df.iloc[i]["영향력"]
            if filtered_brand_df.iloc[i]["esg_idx"] == green:
                if filtered_brand_df.iloc[i]["월"] == target_month:
                    green_weight += (grade_dict[influence] * 1.5)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 1:
                    green_weight += (grade_dict[influence] * 1.25)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 2:
                    green_weight += (grade_dict[influence] * 1.1)
                else:
                    green_weight += (grade_dict[influence] * 1)
            elif filtered_brand_df.iloc[i]["esg_idx"] == social:
                if filtered_brand_df.iloc[i]["월"] == target_month:
                    social_weight += (grade_dict[influence] * 1.5)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 1:
                    social_weight += (grade_dict[influence] * 1.25)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 2:
                    social_weight += (grade_dict[influence] * 1.1)
                else:
                    social_weight += (grade_dict[influence] * 1)
            else:
                if filtered_brand_df.iloc[i]["월"] == target_month:
                    gover_weight += (grade_dict[influence] * 1.5)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 1:
                    gover_weight += (grade_dict[influence] * 1.25)
                elif filtered_brand_df.iloc[i]["월"] == target_month - 2:
                    gover_weight += (grade_dict[influence] * 1.1)
                else:
                    gover_weight += (grade_dict[influence] * 1)

        # concat() 함수를 사용하여 데이터프레임을 병합
        new_row = pd.DataFrame({
            "브랜드 이름": [brand],
            "환경 점수": [green_weight],
            "사회 점수": [social_weight],
            "지배구조 점수": [gover_weight]
        })

        # 데이터 추가
        brand_esg_grade_df = pd.concat([brand_esg_grade_df, new_row], ignore_index=True)

    brand_esg_grade_df = brand_esg_grade_df.fillna(0)

    return brand_esg_grade_df


# 전체 브랜드 대비 특정 브랜드가 상위 n%인지 계산하여 등급 매기기
def cal_esg_grade(brand_esg_grade_df):
    brand_esg_grade_df = brand_esg_grade_df.fillna(0)  # 새로운 DataFrame으로 할당

    # 각 지표별 총합 점수 계산
    green_total_score = int(brand_esg_grade_df["환경 점수"].sum())
    social_total_score = int(brand_esg_grade_df["사회 점수"].sum())
    gover_total_score = int(brand_esg_grade_df["지배구조 점수"].sum())

    # 점수 초기화
    brand_esg_grade_df["환경 지수"] = ""
    brand_esg_grade_df["사회 지수"] = ""
    brand_esg_grade_df["지배구조 지수"] = ""

    # 브랜드 리스트의 브랜드별로 계산
    for brand in brand_list:
        filtered_brand_df = brand_esg_grade_df[brand_esg_grade_df["브랜드 이름"] == brand]

        green_score = filtered_brand_df["환경 점수"].item()
        social_score = filtered_brand_df["사회 점수"].item()
        gover_score = filtered_brand_df["지배구조 점수"].item()

        if green_total_score != 0 and social_total_score != 0 and gover_total_score != 0:
            green_pie = (green_score / green_total_score) * 100
            social_pie = (social_score / social_total_score) * 100
            gover_pie = (gover_score / gover_total_score) * 100
        else:
            green_pie = 0
            social_pie = 0
            gover_pie = 0


        if green_pie >= idx_grade_dict["S"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "환경 지수"] = "S"
        elif green_pie >= idx_grade_dict["A"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "환경 지수"] = "A"
        elif green_pie >= idx_grade_dict["B"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "환경 지수"] = "B"
        elif green_pie >= idx_grade_dict["C"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "환경 지수"] = "C"
        else:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "환경 지수"] = "D"

        if social_pie >= idx_grade_dict["S"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "사회 지수"] = "S"
        elif social_pie >= idx_grade_dict["A"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "사회 지수"] = "A"
        elif social_pie >= idx_grade_dict["B"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "사회 지수"] = "B"
        elif social_pie >= idx_grade_dict["C"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "사회 지수"] = "C"
        else:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "사회 지수"] = "D"

        if gover_pie >= idx_grade_dict["S"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "지배구조 지수"] = "S"
        elif gover_pie >= idx_grade_dict["A"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "지배구조 지수"] = "A"
        elif gover_pie >= idx_grade_dict["B"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "지배구조 지수"] = "B"
        elif gover_pie >= idx_grade_dict["C"]:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "지배구조 지수"] = "C"
        else:
            brand_esg_grade_df.loc[brand_esg_grade_df["브랜드 이름"] == brand, "지배구조 지수"] = "D"

    # 브랜드 ESG 성적표가 담긴 df 반환
    return brand_esg_grade_df


# choosed_df에 esg 소비액 추가
def add_spending_esg_col(choosed_df):
    idx_grade_dict = {
        "S": 0.9,
        "A": 0.6,
        "B": 0.4,
        "C": 0.2,
        "D": 0.1,
    }
    choosed_brand_list = choosed_df["이용 브랜드"].unique()

    for brand in choosed_brand_list:
        filtered_brand_data = brand_esg_grade_df[brand_esg_grade_df["브랜드 이름"] == brand]

        if not filtered_brand_data.empty:
            e_idx = filtered_brand_data["환경 지수"].iloc[0]
            s_idx = filtered_brand_data["사회 지수"].iloc[0]
            g_idx = filtered_brand_data["지배구조 지수"].iloc[0]
        else:
            e_idx = "D"  # 예외 처리
            s_idx = "D"  # 예외 처리
            g_idx = "D"  # 예외 처리



        # 가중치 계산
        e_weight = idx_grade_dict[e_idx]
        s_weight = idx_grade_dict[s_idx]
        g_weight = idx_grade_dict[g_idx]

        # 특정 브랜드에 해당하는 행들 조회
        filtered_rows = choosed_df.loc[choosed_df["이용 브랜드"] == brand]

        # "환경 소비" 칼럼에 새로운 값으로 업데이트
        for index in filtered_rows.index:
            e_spending = choosed_df.loc[index, "국내이용금액 (원)"] * e_weight
            s_spending = choosed_df.loc[index, "국내이용금액 (원)"] * s_weight
            g_spending = choosed_df.loc[index, "국내이용금액 (원)"] * g_weight

            choosed_df.loc[index, "환경(E) 소비"] = e_spending
            choosed_df.loc[index, "사회(S) 소비"] = s_spending
            choosed_df.loc[index, "지배구조(G) 소비"] = g_spending

    choosed_df[["환경(E) 소비", "사회(S) 소비", "지배구조(G) 소비"]] = choosed_df[["환경(E) 소비", "사회(S) 소비", "지배구조(G) 소비"]].fillna(0)

    return choosed_df


# 유저 esg 소비액 계산
def cal_esg_spending(choosed_df):
    # 소비액 계산
    esg_spending_dict = {
        "환경(E) 소비": 0,
        "사회(S) 소비": 0,
        "지배구조(G) 소비": 0
    }

    spending_total = choosed_df["국내이용금액 (원)"].sum()

    esg_spending_dict["환경(E) 소비"] = choosed_df["환경(E) 소비"].sum()
    esg_spending_dict["사회(S) 소비"] = choosed_df["사회(S) 소비"].sum()
    esg_spending_dict["지배구조(G) 소비"] = choosed_df["지배구조(G) 소비"].sum()

    e_spending_per = round((esg_spending_dict["환경(E) 소비"] * 100) / spending_total, 2)
    s_spending_per = round((esg_spending_dict["사회(S) 소비"] * 100) / spending_total, 2)
    g_spending_per = round((esg_spending_dict["지배구조(G) 소비"] * 100) / spending_total, 2)

    return spending_total, esg_spending_dict, e_spending_per, s_spending_per, g_spending_per

# ESG 지표중 최고 지표 기준의 결제 df 생성
def make_max_esg_spending_df(spending_df):
    max_key = max(esg_spending_dict, key=esg_spending_dict.get) # 최고 소비지표 찾기

    # 최고 소비 지표 기준 신규 df 생성
    max_esg_df = spending_df.loc[spending_df[max_key] != 0.0][["카테고리", max_key]]
    max_esg_df = max_esg_df.groupby("카테고리").sum(max_key).sort_values(by=max_key, ascending=False)

    # "사회(S) 소비" 기준으로 상위 k개 카테고리 선택
    top_k = 3
    top_categories = max_esg_df.nlargest(top_k, max_key)

    # 나머지 합을 계산하여 "기타" 카테고리로 추가
    other_category_sum = max_esg_df[max_key].sum() - top_categories[max_key].sum()
    other_category = pd.DataFrame({max_key: [other_category_sum]}, index=["기타"])

    # 상위 3개와 "기타" 카테고리 합쳐서 새로운 데이터프레임 생성
    max_esg_spending_df = pd.concat([top_categories, other_category])

    return max_key, max_esg_spending_df

# brand_esg_grade_df, brand_df에서 필요한칼럼만 추출
def merged_df(brand_esg_grade_df):
    merged_df = brand_esg_grade_df.merge(brand_df[['대분류', '중분류', '브랜드명']], left_on='브랜드 이름', right_on='브랜드명', how='left')
    # 필요 없는 열 "브랜드명"를 삭제합니다.
    merged_df.drop(columns='브랜드명', inplace=True)
    filtered_df = merged_df[merged_df["중분류"].notna()]
    return filtered_df

# 환경, 사회, 지배구조 딕셔너리 만들기
def top_esg_brand(filtered_df):
    esg_idx_mapping = {"D": 1, "C": 2, "B": 3, "A": 4, "S": 5}

    # 중분류 기준으로 그룹화하고 환경 지수가 가장 높은 행 추출
    filtered_df['환경 지수 등급'] = filtered_df['환경 지수'].map(esg_idx_mapping)
    highest_e_idx_rows = filtered_df.groupby('중분류').apply(lambda group: group[group['환경 지수 등급'] == group['환경 지수 등급'].max()])

    # 중분류 기준으로 그룹화하고 사회 지수가 가장 높은 행 추출
    filtered_df['사회 지수 등급'] = filtered_df['사회 지수'].map(esg_idx_mapping)
    highest_s_idx_rows = filtered_df.groupby('중분류').apply(lambda group: group[group['사회 지수 등급'] == group['사회 지수 등급'].max()])

    # 중분류 기준으로 그룹화하고 지배구조 지수가 가장 높은 행 추출
    filtered_df['지배구조 지수 등급'] = filtered_df['지배구조 지수'].map(esg_idx_mapping)
    highest_g_idx_rows = filtered_df.groupby('중분류').apply(lambda group: group[group['지배구조 지수 등급'] == group['지배구조 지수 등급'].max()])

    e_top_dict = {}
    s_top_dict = {}
    g_top_dict = {}

    for idx, row in highest_e_idx_rows.iterrows():
        category = row['중분류']
        brand = row['브랜드 이름']
        e_idx = row['환경 지수']
        e_top_dict[category] = {'브랜드 이름': brand, '환경 지수': e_idx}

    for idx, row in highest_s_idx_rows.iterrows():
        category = row['중분류']
        brand = row['브랜드 이름']
        s_idx = row['사회 지수']
        s_top_dict[category] = {'브랜드 이름': brand, '사회 지수': s_idx}

    for idx, row in highest_g_idx_rows.iterrows():
        category = row['중분류']
        brand = row['브랜드 이름']
        g_idx = row['지배구조 지수']
        g_top_dict[category] = {'브랜드 이름': brand, '지배구조 지수': g_idx}
    return e_top_dict, s_top_dict, g_top_dict

# 이용 고객님의 esg 소비 비중 그래프
def plot_esg_spending():
    fig, ax = plt.subplots(figsize=(10, 3))
    categories=["ESG 소비 비중"]

    # 그래프 그리기
    bars1 = plt.barh(categories, e_spending_per, color=color_palette[4], label='환경 소비')
    bars2 = plt.barh(categories, s_spending_per, left=e_spending_per, color=color_palette[3], label='사회 소비')
    bars3 = plt.barh(categories, g_spending_per, left=e_spending_per + s_spending_per, color=color_palette[2], label='지배구조 소비')
    plt.barh(categories, 100 - (e_spending_per + s_spending_per + g_spending_per),
             left=e_spending_per + s_spending_per + g_spending_per, color=color_palette[0], label='전체 소비')
    # print(e_spending_per, s_spending_per, g_spending_per)
    # 바 위에 값 표시하기
    e_label = [f"{e_spending_per}%"]
    s_label = [f"{s_spending_per}%"]
    g_label = [f"{g_spending_per}%"]

    plt.bar_label(bars1, label_type='center', labels=e_label)
    plt.bar_label(bars2, label_type='center', labels=s_label)
    plt.bar_label(bars3, label_type='center', labels=g_label)

    # 축 레이블, 범례 등 설정
    plt.title(f'{selected_name}님의 ESG 소비 비중')
    plt.yticks([])
    # plt.legend(bbox_to_anchor=(1.01, 1))
    # plt.legend(bbox_to_anchor=(-1, 0.1))
    plt.legend(loc='upper right')

    # 그래프 표시
    st.pyplot(fig)

#최고 esg 카테고리 막대 그래프
def plot_max_esg_ctg():
    # 막대그래프 그리기
    fig, ax = plt.subplots(figsize=(10, 4))
    plt.bar(max_esg_spending_df.index, max_esg_spending_df[max_key], color=color_palette)

    # 축 레이블, 그래프 제목 등 설정
    plt.title(f"{selected_name}님의 {max_key} TOP3 업종")

    # 그래프 표시
    plt.tight_layout()
    st.pyplot(fig)

# 그림 출력
def get_openai_image(place):
    response = openai.Image.create(
        prompt=f"a cute {place} interior illustration",
        n=1,
        size="1024x1024"
    )
    image_url = response["data"][0]["url"]
    response = requests.get(image_url)
    openai_image = Image.open(BytesIO(response.content))

    image_dir = "./data/image"
    # 디렉토리 내의 모든 이미지 파일 리스트를 얻습니다.
    image_files = [f for f in os.listdir(image_dir) if f.endswith(".jpg") or f.endswith(".png")]

    # 이미지 파일 중에서 랜덤하게 하나를 선택합니다.
    random_image_filename = random.choice(image_files)

    # 선택된 이미지 파일의 전체 경로를 구성합니다.
    random_image_path = os.path.join(image_dir, random_image_filename)

    # 랜덤 이미지를 로드합니다.
    random_image = Image.open(random_image_path)
    random_image = random_image.resize(openai_image.size)

    # 이미지 합치기
    combined = Image.alpha_composite(openai_image.convert('RGBA'), random_image.convert('RGBA'))

    return combined, random_image_filename


# 유저 데이터 프레임 필터링

def filtered_spending_df(name):
    user_spending_df = spending_df[spending_df["이용 고객명"] == name]
    user_spending_df = user_spending_df.reset_index(drop=True)

    return user_spending_df

def generate_prompt(character, name, place, esg_code):
    prompt = ""
    if "bears" in character:
        prompt = f"""
        300자 정도 작성해줘.
        {name} 고객님으로 시작할 것.
        고객님은 기업의 ESG 중 {esg_code}의 소비를 가장 많이 했어.
        친근한 느낌의 반말로 작성해줘.
        주어진 정보 외에 절대 말을 만들어내지마.
        ---
        고객이름: {name}
        최대소비장소: {place}
        ESG 설명: E는 기업의 친환경 경영, S은 기업의 사회적 책임, G는 기업의 투명한 지배구조
        예시: 안녕 김국민님! 최대소비 장소가 음식점이라니, 정말 맛있는 것들을 좋아하는구나! 😊✨
        ---
        """
    elif "brocoli" in character:
        prompt = f"""
        300자 정도 작성해줘.
        {name} 고객님으로 시작할 것.
        고객님은 기업의 ESG 중 {esg_code}의 소비를 가장 많이 했어.
        친근한 느낌의 반말로 작성해줘.
        주어진 정보 외에 절대 말을 만들어내지마.
        ---
        고객이름: {name}
        최대소비장소: {place}
        ESG 설명: E는 기업의 친환경 경영, S은 기업의 사회적 책임, G는 기업의 투명한 지배구조
        예시: 안녕 김국민님! 최대소비 장소가 음식점이라니, 정말 맛있는 것들을 좋아하는구나! 😊✨
        ---
        """
    elif "ducks" in character:
        prompt = f"""
        300자 정도 작성해줘.
        {name} 고객님으로 시작할 것.
        고객님은 기업의 ESG 중 {esg_code}의 소비를 가장 많이 했어.
        친근한 느낌의 반말로 작성해줘.
        주어진 정보 외에 절대 말을 만들어내지마.
        ---
        고객이름: {name}
        최대소비장소: {place}
        ESG 설명: E는 기업의 친환경 경영, S은 기업의 사회적 책임, G는 기업의 투명한 지배구조
        예시: 안녕 김국민님! 최대소비 장소가 음식점이라니, 정말 맛있는 것들을 좋아하는구나! 😊✨
        ---
        """

    elif "lamas" in character:
        prompt = f"""
        300자 정도 작성해줘.
        {name} 고객님으로 시작할 것.
        고객님은 기업의 ESG 중 {esg_code}의 소비를 가장 많이 했어.
        친근한 느낌으로 작성해줘.
        주어진 정보 외에 절대 말을 만들어내지마.
        ---
        고객이름: {name}
        최대소비장소: {place}
        ESG 설명: E는 기업의 친환경 경영, S은 기업의 사회적 책임, G는 기업의 투명한 지배구조
        예시: 안녕 김국민님! 최대소비 장소가 음식점이라니, 정말 맛있는 것들을 좋아하는구나! 😊✨
        ---
        """
    else:
        prompt = f"""
        300자 정도 작성해줘.
        {name} 고객님으로 시작할 것.
        고객님은 기업의 ESG 중 {esg_code}의 소비를 가장 많이 했어.
        친근한 느낌의 반말로 작성해줘.
        주어진 정보 외에 절대 말을 만들어내지마.
        ---
        고객이름: {name}
        최대소비장소: {place}
        ESG 설명: E는 기업의 친환경 경영, S은 기업의 사회적 책임, G는 기업의 투명한 지배구조
        예시: 안녕 김국민님! 최대소비 장소가 음식점이라니, 정말 맛있는 것들을 좋아하는구나! 😊✨
        ---
        """

    return prompt.strip()

@st.cache_resource
def request_chat_completion(character, prompt):
    if "bears" in character:
        ch_name = "심쿵비비"
        per = personality_dict[ch_name]
    elif "brocoli" in character:
        ch_name = "멜랑콜리"
        per = personality_dict[ch_name]
    elif "ducks" in character:
        ch_name = "포스아거"
        per = personality_dict[ch_name]
    elif "lamas" in character:
        ch_name = "롤로라무"
        per = personality_dict[ch_name]
    else:
        ch_name = "루나키키"
        per = personality_dict[ch_name]

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo-0613",
        messages=[
            {"role": "system", "content": f"당신은 {per}의 {ch_name}입니다."},
            {"role": "user", "content": prompt}
        ],
        stream=True
    )
    return response


# 소비 카테고리 추천
def check_top_brand(choosed_df):
    idx_grade_dict = {
        "S": 0.9,
        "A": 0.6,
        "B": 0.4,
        "C": 0.2,
        "D": 0.1,
    }

    spending_total, esg_spending_dict, e_spending_per, s_spending_per, g_spending_per = cal_esg_spending(choosed_df)

    min_key = min(esg_spending_dict, key=esg_spending_dict.get)
    max_category = choosed_df.groupby("카테고리")[min_key].sum().idxmax()
    max_brand = choosed_df.groupby(["이용 브랜드"])[min_key].sum().idxmax()

    # 현재 가장 적은 ESG 소비에서 가장 많이 소비한 카테고리의 평균 값
    cat_len = choosed_df[choosed_df["카테고리"] == max_category].groupby("카테고리")[min_key].count()[0]
    cat_total = choosed_df.groupby("카테고리")[min_key].sum().sort_values(ascending=False)[0]
    ave_cat = cat_total / cat_len

    # 현재 가장 적은 ESG 소비에서 가장 많이 소비한 카테고리의 실제 소비 평균
    origin_ave = choosed_df[choosed_df["카테고리"] == max_category]["국내이용금액 (원)"].sum() / cat_len

    message = ""

    if "E" in min_key:
        if max_category in e_top_dict:
            rec_brand_info = e_top_dict[max_category]
            rec_brand_name = rec_brand_info['브랜드 이름']
            rec_brand_code = rec_brand_info['환경 지수']
            if_rec_brand = round((origin_ave * idx_grade_dict[rec_brand_code]) / ave_cat, 4)
            if rec_brand_name != max_brand:
                message = f"ESG 소비 중 환경 소비가 가장 낮으시네요 🥺.\n\n가장 많이 소비를 하시는 {max_category} 분야에서 환경 지수가 제일 높은 브랜드는 '{rec_brand_name}'입니다.\n\n이 브랜드를 사용하시면 환경 소비가 최대 {if_rec_brand}배 증가합니다.\n\n이곳을 사용해보시는건 어떠세요?"
            else:
                message = f"이미 {max_category} 분야에서 환경 지수가 가장 높은 {rec_brand_name} 브랜드를 사용중이시군요!☺️"
        else:
            message = f"죄송합니다. 환경 지표 중 {max_category} 분야에서 추천 할 브랜드가 아직 없습니다."

    elif "S" in min_key:
        if max_category in s_top_dict:
            rec_brand_info = s_top_dict[max_category]
            rec_brand_name = rec_brand_info['브랜드 이름']
            rec_brand_code = rec_brand_info['사회 지수']
            if_rec_brand = round((origin_ave * idx_grade_dict[rec_brand_code]) / ave_cat, 4)
            if rec_brand_name != max_brand:
                message = f"ESG 소비 중 사회 소비가 가장 낮으시네요 🥺.\n\n가장 많이 소비를 하시는 {max_category} 분야에서 사회 지수가 제일 높은 브랜드는 '{rec_brand_name}'입니다.\n\n이 브랜드를 사용하시면 환경 소비가 최대 {if_rec_brand}배 증가합니다.\n\n이곳을 사용해보시는건 어떠세요?"
            else:
                message = f"이미 {max_category} 분야에서 사회 지수가 가장 높은 {rec_brand_name} 브랜드를 사용중이시군요!☺️"
        else:
            message = f"죄송합니다. 사회 지표 중 {max_category} 분야에서 추천 할 브랜드가 아직 없습니다."

    elif "G" in min_key:
        if max_category in g_top_dict:
            rec_brand_info = g_top_dict[max_category]
            rec_brand_name = rec_brand_info['브랜드 이름']
            rec_brand_code = rec_brand_info['지배구조 지수']
            if_rec_brand = round((origin_ave * idx_grade_dict[rec_brand_code]) / ave_cat, 4)
            if rec_brand_name != max_brand:
                message = f"ESG 소비 중 지배구조 소비가 가장 낮으시네요 🥺.\n\n가장 많이 소비를 하시는 {max_category} 분야에서 지배구조 지수가 제일 높은 브랜드는 '{rec_brand_name}'입니다.\n\n이 브랜드를 사용하시면 환경 소비가 최대 {if_rec_brand}배 증가합니다.\n\n이곳을 사용해보시는건 어떠세요?"
            else:
                message = f"이미 {max_category} 분야에서 지배구조 지수가 가장 높은 {rec_brand_name} 브랜드를 사용중이시군요!☺️"
        else:
            message = f"죄송합니다. 지배구조 지표 중 {max_category} 분야에서 추천 할 브랜드가 아직 없습니다."

    else:
        message = "유효하지 않은 입력입니다."

    if max_category == "문화":
        pass
    else:
        # 막대그래프 그리기
        fig, ax = plt.subplots(figsize=(15, 3))
        categories = ['타 브랜드 평균', rec_brand_name]
        values = [ave_cat, origin_ave * idx_grade_dict[rec_brand_code]]
        plt.bar(categories, values, color=color_palette, width=0.4)
        # 축 레이블, 그래프 제목 등 설정
        plt.title(f"{selected_name}님의 {max_category} 카테고리 {min_key} 지수 브랜드 비교")

        # 그래프 표시
        plt.tight_layout()
        st.pyplot(fig)

    return message

# ======================================================================================================================
# 각 브랜드별 ESG 성적표 df 제작
brand_esg_grade_df = make_brand_esg_grad_df(influence_df)

brand_esg_grade_df = cal_esg_grade(brand_esg_grade_df)

filtered_df = merged_df(brand_esg_grade_df)
result = top_esg_brand(filtered_df)
e_top_dict, s_top_dict, g_top_dict = result

ch_name_dict = {
    "rabbits": "루나키키",
    "bears":"심쿵비비",
    "lamas":"롤로라무",
    "brocoli":"멜랑콜리",
    "ducks":"포스아거"
}

# ======================================================================================================================
# streamlit code
# ======================================================================================================================

with st.form("고객 정보 조회"):
    st.title('고객 정보 조회')
    customer_list = ["차국민", "라국민", "허리브", "정국민", "현국민", "강리브"]
    selected_name = st.selectbox('고객 이름', customer_list)
    submitted = st.form_submit_button("조회")

    if submitted:
        choosed_df = filtered_spending_df(name=selected_name)
        choosed_df.set_index("이용일", inplace=True)

        if not choosed_df.empty:
            choosed_df_show = choosed_df.drop(["년", "월", "일", "국내이용금액 (원)", "이용 브랜드"], axis=1)
            # dataframe 출력
            st.dataframe(choosed_df_show, height=200, width=2000)

            # choosed_df에 esg 소비액 추가
            choosed_df = add_spending_esg_col(choosed_df)

            # 유저 esg 소비액 계산
            spending_total, esg_spending_dict, e_spending_per, s_spending_per, g_spending_per = cal_esg_spending(choosed_df)

            # ESG 지표중 최고 지표 기준의 결제 df 생성
            max_key, max_esg_spending_df = make_max_esg_spending_df(choosed_df)

            col1, col2 = st.columns(2)
            with col1:
                # 이용 고객 ESG 소비 비중 그래프
                plot_esg_spending()
            with col2:
                # 이용 고객 최고 ESG 소비 비중 TOP3 업종 그래프
                plot_max_esg_ctg()

            if max_esg_spending_df.iloc[0].name in eng_cat_dict:
                eng_place = eng_cat_dict[max_esg_spending_df.iloc[0].name]

            st.subheader(f"{selected_name} 님의 9월 ESG 소비 내역입니다.")

            st.write(f"총 소비액: {spending_total}원")
            st.write(f"환경(E) 소비액: {round(esg_spending_dict['환경(E) 소비'], 0)}원 (전체 소비 대비 {e_spending_per}%)")
            st.write(f"사회(S) 소비액: {round(esg_spending_dict['사회(S) 소비'], 0)}원 (전체 소비 대비 {s_spending_per}%)")
            st.write(f"지배구조(G) 소비액: {round(esg_spending_dict['지배구조(G) 소비'], 0)}원 (전체 소비 대비: {g_spending_per}%)")
            st.markdown("---")

            place = eng_place

            ans = check_top_brand(choosed_df)
            st.write(ans)
            st.markdown("---")

            col1, col2, col3  = st.columns(3)
            with col2:
                with st.spinner("스타프렌즈가 오고 있어요 ⭐"):
                    img, character = get_openai_image(place)
                    st.image(img)


            ch_name = character.split("_")[0]
            with st.spinner(f"{ch_name_dict[ch_name]}가 인사를 하려고 준비중 이에요"):
                # prompt
                prompt = generate_prompt(character, selected_name, place, max_key)
                st.write(f"{ch_name_dict[ch_name]}의 한마디...💬")
                chatgpt_response = request_chat_completion(character, prompt)

                message_placeholder = st.empty()
                response = ""
                for chunk in chatgpt_response:
                    delta = chunk.choices[0]["delta"]
                    if "content" in delta:
                        response += delta["content"]
                        message_placeholder.markdown(response + "▌")
                    else:
                        break
                message_placeholder.markdown(response)


        else:
            st.write(f"{selected_name}에 대한 정보가 없습니다.")