Update app.py

app.py

@@ -1,6 +1,4 @@
 import os
-import io
-import requests
 import numpy as np
 import pandas as pd
 import gradio as gr
@@ -13,50 +11,43 @@ from groq import Groq
 # 🔌 1. GROQ CLIENT
 # ==========================================
 api_key = os.environ.get("GROQ_API_KEY")
-client = None
-if api_key:
-    client = Groq(api_key=api_key)
+client = Groq(api_key=api_key) if api_key else None
 
 # ==========================================
-# 📊 2. CSV OKUMA VE MODEL EĞİTİMİ
+# 📊 2. CSV DOSYASINI OKUMA (Ana dizinden)
 # ==========================================
-def load_dataframe(file_or_url):
-    """Dosya yükleme veya URL'den TSV/CSV okur."""
+CSV_PATH = "BTCUSD_M30.csv"
+
+def load_local_csv(path=CSV_PATH):
+    """Space ana dizinindeki CSV'yi okur (başlıksız, tab/virgül)."""
     try:
-        if isinstance(file_or_url, str):  # URL
-            headers = {"User-Agent": "Mozilla/5.0"}
-            r = requests.get(file_or_url, headers=headers, timeout=30)
-            r.raise_for_status()
-            text = r.text
-        else:  # Yüklenen dosya
-            text = open(file_or_url.name, "r", encoding="utf-8").read()
-
-        # Önce tab ile dene (senin dosyan tab-separated)
-        df = pd.read_csv(io.StringIO(text), sep="\t", header=None)
-        if df.shape[1] < 6:  # tab değilse virgülle dene
-            df = pd.read_csv(io.StringIO(text), sep=",", header=None)
+        if not os.path.exists(path):
+            return None, f"Dosya bulunamadı: {path}"
+
+        df = pd.read_csv(path, sep="\t", header=None)
+        if df.shape[1] < 6:
+            df = pd.read_csv(path, sep=",", header=None)
 
         if df.shape[1] < 6:
-            return None, f"Beklenen 6 sütun bulunamadı. Bulunan: {df.shape[1]}"
+            return None, f"6 sütun bekleniyordu, {df.shape[1]} bulundu."
 
-        # Başlık yok -> manuel isimlendir
         df = df.iloc[:, :6]
         df.columns = ["date", "open", "high", "low", "close", "volume"]
 
-        # Sayısal dönüşüm (bozuk satırları at)
-        for col in ["open", "high", "low", "close", "volume"]:
-            df[col] = pd.to_numeric(df[col], errors="coerce")
+        for c in ["open", "high", "low", "close", "volume"]:
+            df[c] = pd.to_numeric(df[c], errors="coerce")
 
         df = df.dropna(subset=["close"]).reset_index(drop=True)
-
         if len(df) < 60:
-            return None, f"Yetersiz veri. En az 60 satır gerekli, bulunan: {len(df)}"
+            return None, f"En az 60 satır gerekli, {len(df)} var."
 
         return df, None
     except Exception as e:
         return None, f"Veri okunamadı: {e}"
 
-
+# ==========================================
+# 🧮 3. TEKNİK GÖSTERGELER + MODEL
+# ==========================================
 def compute_rsi(series, period=14):
     delta = series.diff()
     gain = delta.clip(lower=0).rolling(period).mean()
@@ -64,34 +55,28 @@ def compute_rsi(series, period=14):
     rs = gain / loss
     return 100 - (100 / (1 + rs))
 
-
 def train_models(df):
-    """XGBoost + KNN eğitir, en güncel gösterge değerlerini döndürür."""
     df = df.copy()
     df["ma_5"] = df["close"].rolling(5).mean()
     df["ma_20"] = df["close"].rolling(20).mean()
     df["rsi"] = compute_rsi(df["close"], 14)
     df["macd"] = df["close"].ewm(span=12).mean() - df["close"].ewm(span=26).mean()
-
-    # Hedef: bir sonraki mumun kapanışı mevcut mumdan yüksek mi?
     df["target"] = (df["close"].shift(-1) > df["close"]).astype(int)
 
     df_model = df.dropna().reset_index(drop=True)
     if len(df_model) < 20:
-        return None, None, None, None, "Göstergelerden sonra yeterli veri kalmadı."
+        return None, None, None, None, "Göstergelerden sonra yetersiz veri."
 
     features = ["ma_5", "ma_20", "rsi", "macd", "volume"]
     X = df_model[features].values
     y = df_model["target"].values
 
-    # XGBoost
     xgb_model = xgb.XGBClassifier(
         n_estimators=60, max_depth=3, learning_rate=0.1,
         objective="binary:logistic", eval_metric="logloss", random_state=42
     )
     xgb_model.fit(X, y)
 
-    # KNN
     scaler = StandardScaler()
     X_scaled = scaler.fit_transform(X)
     knn_model = KNeighborsClassifier(n_neighbors=7)
@@ -109,15 +94,11 @@ def train_models(df):
     }
     return xgb_model, knn_model, scaler, metrics, None
 
-
 # ==========================================
-# 🧠 3. ANALİZ MOTORU
+# 🧠 4. ANALİZ FONKSİYONU
 # ==========================================
-def predict_and_analyze(file_or_url):
-    if file_or_url is None:
-        return "Lütfen bir CSV/TSV dosyası yükleyin veya link girin.", {}
-
-    df, err = load_dataframe(file_or_url)
+def predict_and_analyze():
+    df, err = load_local_csv()
     if err:
         return err, {}
 
@@ -125,95 +106,80 @@ def predict_and_analyze(file_or_url):
     if err:
         return err, {}
 
-    feat_arr = np.array([[metrics["ma5"], metrics["ma20"], metrics["rsi"], metrics["macd"], metrics["volume"]]])
-
-    xgb_prob_up = float(xgb_model.predict_proba(feat_arr)[0][1])
-    knn_prob_up = float(knn_model.predict_proba(scaler.transform(feat_arr))[0][1])
-    ensemble_prob_up = (xgb_prob_up + knn_prob_up) / 2
-    ensemble_prob_down = 1 - ensemble_prob_up
+    feat = np.array([[metrics["ma5"], metrics["ma20"], metrics["rsi"],
+                      metrics["macd"], metrics["volume"]]])
 
-    direction = "YUKARI 📈" if ensemble_prob_up > 0.5 else "AŞAĞI 📉"
-    confidence = max(ensemble_prob_up, ensemble_prob_down) * 100
+    xgb_up = float(xgb_model.predict_proba(feat)[0][1])
+    knn_up = float(knn_model.predict_proba(scaler.transform(feat))[0][1])
+    ens_up = (xgb_up + knn_up) / 2
+    ens_down = 1 - ens_up
+    direction = "YUKARI 📈" if ens_up > 0.5 else "AŞAĞI 📉"
+    conf = max(ens_up, ens_down) * 100
 
     prob_dict = {
-        "XGBoost Yükseliş": xgb_prob_up,
-        "KNN Yükseliş": knn_prob_up,
-        "Ensemble Yükseliş (Ortalama)": ensemble_prob_up,
+        "XGBoost Yükseliş": xgb_up,
+        "KNN Yükseliş": knn_up,
+        "Ensemble Yükseliş": ens_up,
     }
 
     prompt = f"""
-    Sen uzman bir kripto para analisti ve teknik analiz uzmanısın.
-
-    📊 BTC/USD Son Kapanış ({metrics['last_date']}): ${metrics['last_close']:,.2f}
-    - RSI (14): {metrics['rsi']:.2f}
-    - MA5: ${metrics['ma5']:,.2f} | MA20: ${metrics['ma20']:,.2f}
-    - MACD: {metrics['macd']:.4f}
-    - Hacim: {metrics['volume']:,.2f}
-
-    🤖 Model Sonuçları:
-    - XGBoost Yükseliş: %{xgb_prob_up*100:.1f}
-    - KNN Yükseliş: %{knn_prob_up*100:.1f}
-    - Ensemble Yükseliş: %{ensemble_prob_up*100:.1f}
-    - Tahmin Yönü: {direction} (Güven: %{confidence:.1f})
-
-    Türkçe bir teknik analiz raporu hazırla. Başlıklar:
-    1. 🎯 Model Yorumu (XGBoost + KNN karşılaştırması)
-    2. 📈 Teknik Analiz (RSI, MA, MACD; destek/direnç)
-    3. 💡 İşlem Stratejisi (Long/Short, stop-loss, take-profit)
-
-    Yatırım tavsiyesi olmadığını vurgula.
+    BTC/USD teknik analiz raporu (Türkçe).
+    Son Kapanış ({metrics['last_date']}): ${metrics['last_close']:,.2f}
+    RSI: {metrics['rsi']:.2f}, MA5: ${metrics['ma5']:,.2f}, MA20: ${metrics['ma20']:,.2f}, MACD: {metrics['macd']:.4f}, Hacim: {metrics['volume']:,.2f}
+    XGBoost Yükseliş: %{xgb_up*100:.1f}
+    KNN Yükseliş: %{knn_up*100:.1f}
+    Ensemble: %{ens_up*100:.1f} -> {direction} (Güven %{conf:.1f})
+    Başlıklar: 1. Model Yorumu 2. Teknik Analiz 3. İşlem Stratejisi. Yatırım tavsiyesi değildir.
     """
 
     if client:
         try:
-            response = client.chat.completions.create(
+            resp = client.chat.completions.create(
                 model="openai/gpt-oss-120b",
                 messages=[{"role": "user", "content": prompt}],
                 temperature=0.3,
                 max_tokens=1024
             )
-            analysis_result = response.choices[0].message.content
+            analysis = resp.choices[0].message.content
         except Exception as e:
-            analysis_result = f"Groq API Hatası: {e}"
+            analysis = f"Groq API Hatası: {e}"
     else:
-        analysis_result = "GROQ_API_KEY bulunamadı! Hugging Face Secrets'a ekleyin."
+        analysis = "GROQ_API_KEY bulunamadı!"
 
     header = (
-        f"**Son Kapanış: ${metrics['last_close']:,.2f}** | RSI: {metrics['rsi']:.1f} | "
+        f"**Son: ${metrics['last_close']:,.2f}** | RSI: {metrics['rsi']:.1f} | "
         f"MA5: ${metrics['ma5']:,.0f} | MA20: ${metrics['ma20']:,.0f}\n\n"
-        f"**XGB:** %{xgb_prob_up*100:.1f} | **KNN:** %{knn_prob_up*100:.1f} | "
-        f"**Ensemble:** %{ensemble_prob_up*100:.1f}\n\n---\n\n"
+        f"**XGB:** %{xgb_up*100:.1f} | **KNN:** %{knn_up*100:.1f} | "
+        f"**Ens:** %{ens_up*100:.1f}\n\n---\n\n"
     )
-    return header + analysis_result, prob_dict
-
+    return header + analysis, prob_dict
 
 # ==========================================
-# 🎨 4. GRADIO ARAYÜZÜ
+# 🎨 5. GRADIO ARAYÜZÜ
 # ==========================================
 with gr.Blocks(theme=gr.themes.Soft(primary_hue="orange", secondary_hue="slate")) as demo:
     gr.Markdown(
-        """
+        f"""
         # ₿ BTC/USD XGBoost + KNN & Groq AI Tahmin Radarı
-        Verinizi **CSV/TSV dosyası** olarak yükleyin **veya** doğrudan linkini girin.
-        Dosya **başlıksız** olmalı ve sütunlar sırasıyla:
-        `Date, Open, High, Low, Close, Volume`
+        Veri kaynağı: **`{CSV_PATH}`** (Space ana dizini)
         """
     )
 
     with gr.Row():
         with gr.Column():
-            gr.Markdown("### 📂 Veri Kaynağı")
-            file_input = gr.File(label="CSV/TSV Dosyası Yükle", file_types=[".csv", ".tsv", ".txt"])
-            url_input = gr.Textbox(label="veya CSV Linki (URL)", placeholder="https://.../BTCUSD30.csv")
-            submit_btn = gr.Button("Analiz Et", variant="primary")
-
+            analyze_btn = gr.Button("📊 CSV'yi Oku ve Analiz Et", variant="primary", size="lg")
+            gr.Markdown(
+                """
+                **Not**: Model, `BTCUSD_M30.csv` dosyasını her butona basışta yeniden okur ve eğitir.
+                """
+            )
         with gr.Column():
             prob_output = gr.Label(label="Model Tahminleri")
-            analysis_output = gr.Markdown(value="Veri yükleyip butona basın.")
+            analysis_output = gr.Markdown(value="Butona basarak analizi başlatın.")
 
-    submit_btn.click(
+    analyze_btn.click(
         fn=predict_and_analyze,
-        inputs=[file_input if False else url_input],  # aşağıda düzelttim
+        inputs=[],
         outputs=[analysis_output, prob_output]
     )