Third Prompt

backend/app.py

@@ -3,7 +3,7 @@ import pandas as pd
 import numpy as np
 import plotly.express as px
 
-st.title("List Data Visualizer & Analyzer")
+st.title("Erweiterter List Data Visualizer & Analyzer")
 
 # Seitenleiste für die Dateneingabe
 st.sidebar.header("Dateneingabe")
@@ -11,10 +11,13 @@ st.sidebar.header("Dateneingabe")
 datenquelle = st.sidebar.radio("Datenquelle auswählen:", ("Manuelle Eingabe", "CSV-Datei hochladen"))
 
 if datenquelle == "Manuelle Eingabe":
-    dateneingabe = st.sidebar.text_area("Gib Zahlen ein, getrennt durch Kommas:", value="1,2,3,4,5")
+    dateneingabe = st.sidebar.text_area("Gib Zahlen ein, getrennt durch Kommas oder Zeilenumbrüche:", value="1,2,3,4,5")
     try:
-        datenliste = [float(x.strip()) for x in dateneingabe.split(",") if x.strip()]
-        df = pd.DataFrame(datenliste, columns=['Werte'])
+        # Unterstützung für mehrere Spalten
+        daten_zeilen = [zeile.strip() for zeile in dateneingabe.strip().split("\n") if zeile.strip()]
+        datenliste = [list(map(float, zeile.split(','))) for zeile in daten_zeilen]
+        df = pd.DataFrame(datenliste)
+        df.columns = [f"Spalte {i+1}" for i in range(df.shape[1])]
     except ValueError:
         st.error("Bitte gib eine gültige Liste von Zahlen ein.")
         st.stop()
@@ -22,54 +25,121 @@ elif datenquelle == "CSV-Datei hochladen":
     hochgeladene_datei = st.sidebar.file_uploader("Wähle eine CSV-Datei aus", type="csv")
     if hochgeladene_datei is not None:
         df = pd.read_csv(hochgeladene_datei)
-        # Annahme: Die Daten stehen in der ersten Spalte
-        df = df.iloc[:, [0]]
-        df.columns = ['Werte']
+        # Numerische Spalten identifizieren
+        numerische_spalten = df.select_dtypes(include=[np.number]).columns.tolist()
+        if not numerische_spalten:
+            st.error("Die hochgeladene Datei enthält keine numerischen Spalten.")
+            st.stop()
+        st.sidebar.subheader("Spaltenauswahl")
+        ausgewählte_spalten = st.sidebar.multiselect("Wähle die Spalten für die Analyse aus", numerische_spalten, default=numerische_spalten)
+        if not ausgewählte_spalten:
+            st.error("Bitte wähle mindestens eine Spalte aus.")
+            st.stop()
+        df = df[ausgewählte_spalten]
     else:
         st.warning("Bitte lade eine CSV-Datei hoch.")
         st.stop()
+else:
+    st.error("Ungültige Datenquelle ausgewählt.")
+    st.stop()
 
 # Interaktive Filter
 st.sidebar.header("Datenfilter")
-min_wert = float(df['Werte'].min())
-max_wert = float(df['Werte'].max())
-filterbereich = st.sidebar.slider('Wertebereich auswählen:', min_wert, max_wert, (min_wert, max_wert))
-gefilterter_df = df[(df['Werte'] >= filterbereich[0]) & (df['Werte'] <= filterbereich[1])]
+gefilterter_df = df.copy()
+
+for spalte in df.columns:
+    # Konvertiere die Spalte in numerische Werte und entferne NaN
+    gefilterter_df[spalte] = pd.to_numeric(gefilterter_df[spalte], errors='coerce')
+    gefilterter_df = gefilterter_df.dropna(subset=[spalte])
+
+    min_wert = float(gefilterter_df[spalte].min())
+    max_wert = float(gefilterter_df[spalte].max())
+
+    # Überprüfen, ob min_wert und max_wert unterschiedlich sind
+    if min_wert == max_wert:
+        st.warning(f"Die Spalte '{spalte}' hat konstante Werte. Der Slider wird für diese Spalte deaktiviert.")
+        continue  # Überspringe diese Spalte
+
+    # Slider erstellen
+    filterbereich = st.sidebar.slider(
+        f"Wertebereich für '{spalte}' auswählen:",
+        min_value=min_wert,
+        max_value=max_wert,
+        value=(min_wert, max_wert)
+    )
+
+    # Daten filtern
+    gefilterter_df = gefilterter_df[(gefilterter_df[spalte] >= filterbereich[0]) & (gefilterter_df[spalte] <= filterbereich[1])]
 
 # Statistische Analyse
 st.header("Statistische Analyse")
-st.write(f"**Anzahl:** {gefilterter_df['Werte'].count()}")
-st.write(f"**Mittelwert:** {gefilterter_df['Werte'].mean()}")
-st.write(f"**Median:** {gefilterter_df['Werte'].median()}")
-st.write(f"**Standardabweichung:** {gefilterter_df['Werte'].std()}")
 
-# Ausreißererkennung (mithilfe der 1.5*IQR-Regel)
-Q1 = gefilterter_df['Werte'].quantile(0.25)
-Q3 = gefilterter_df['Werte'].quantile(0.75)
-IQR = Q3 - Q1
-untere_grenze = Q1 - 1.5 * IQR
-obere_grenze = Q3 + 1.5 * IQR
-ausreisser = gefilterter_df[(gefilterter_df['Werte'] < untere_grenze) | (gefilterter_df['Werte'] > obere_grenze)]
+def berechne_statistiken(daten):
+    beschreibung = daten.describe().transpose()
+    beschreibung['Median'] = daten.median()
+    beschreibung['Varianz'] = daten.var()
+    return beschreibung[['count', 'mean', 'Median', 'std', 'Varianz', 'min', '25%', '50%', '75%', 'max']]
+
+statistiken = berechne_statistiken(gefilterter_df)
+st.dataframe(statistiken)
+
+# Ausreißererkennung
+st.header("Ausreißererkennung")
+ausreisser_df = pd.DataFrame()
+
+for spalte in gefilterter_df.columns:
+    Q1 = gefilterter_df[spalte].quantile(0.25)
+    Q3 = gefilterter_df[spalte].quantile(0.75)
+    IQR = Q3 - Q1
+    untere_grenze = Q1 - 1.5 * IQR
+    obere_grenze = Q3 + 1.5 * IQR
+    ausreisser = gefilterter_df[(gefilterter_df[spalte] < untere_grenze) | (gefilterter_df[spalte] > obere_grenze)]
+    ausreisser_df = pd.concat([ausreisser_df, ausreisser])
+
+if not ausreisser_df.empty:
+    st.subheader("Erkannte Ausreißer")
+    st.write(ausreisser_df.drop_duplicates())
+else:
+    st.subheader("Keine Ausreißer erkannt")
 
 # Visualisierungen
 st.header("Datenvisualisierungen")
+st.sidebar.header("Visualisierungseinstellungen")
 
-# Histogramm
-st.subheader("Histogramm")
-fig1 = px.histogram(gefilterter_df, x='Werte', nbins=20, title='Histogramm')
-st.plotly_chart(fig1)
+diagramm_typ = st.sidebar.selectbox("Diagrammtyp auswählen", ["Histogramm", "Boxplot", "Streudiagramm", "Liniendiagramm", "Korrelationsmatrix"])
 
-# Boxplot
-st.subheader("Boxplot")
-fig2 = px.box(gefilterter_df, y='Werte', points="all", title='Boxplot mit Ausreißern')
-st.plotly_chart(fig2)
-
-# Ausreißer anzeigen
-if not ausreisser.empty:
-    st.subheader("Erkannte Ausreißer")
-    st.write(ausreisser)
-else:
-    st.subheader("Keine Ausreißer erkannt")
+if diagramm_typ == "Histogramm":
+    st.subheader("Histogramm")
+    ausgewählte_spalten = st.multiselect("Wähle die Spalten für das Histogramm aus", gefilterter_df.columns.tolist(), default=gefilterter_df.columns.tolist())
+    for spalte in ausgewählte_spalten:
+        fig = px.histogram(gefilterter_df, x=spalte, nbins=20, title=f'Histogramm von {spalte}')
+        st.plotly_chart(fig)
+elif diagramm_typ == "Boxplot":
+    st.subheader("Boxplot")
+    fig = px.box(gefilterter_df, points="all", title='Boxplot')
+    st.plotly_chart(fig)
+elif diagramm_typ == "Streudiagramm":
+    if len(gefilterter_df.columns) >= 2:
+        x_achse = st.sidebar.selectbox("X-Achse", gefilterter_df.columns)
+        y_achse = st.sidebar.selectbox("Y-Achse", gefilterter_df.columns, index=1)
+        st.subheader("Streudiagramm")
+        fig = px.scatter(gefilterter_df, x=x_achse, y=y_achse, title=f'Streudiagramm {x_achse} vs {y_achse}')
+        st.plotly_chart(fig)
+    else:
+        st.warning("Für ein Streudiagramm sind mindestens zwei numerische Spalten erforderlich.")
+elif diagramm_typ == "Liniendiagramm":
+    st.subheader("Liniendiagramm")
+    ausgewählte_spalten = st.multiselect("Wähle die Spalten für das Liniendiagramm aus", gefilterter_df.columns.tolist(), default=gefilterter_df.columns.tolist())
+    fig = px.line(gefilterter_df, y=ausgewählte_spalten, title='Liniendiagramm')
+    st.plotly_chart(fig)
+elif diagramm_typ == "Korrelationsmatrix":
+    if len(gefilterter_df.columns) >= 2:
+        st.subheader("Korrelationsmatrix")
+        korrelation = gefilterter_df.corr()
+        fig = px.imshow(korrelation, text_auto=True, title='Korrelationsmatrix')
+        st.plotly_chart(fig)
+    else:
+        st.warning("Für eine Korrelationsmatrix sind mindestens zwei numerische Spalten erforderlich.")
 
 # Gefilterte Daten anzeigen
 st.header("Gefilterte Daten")