Update app.py

app.py

@@ -13,50 +13,50 @@ from groq import Groq
 # 🔌 1. GROQ CLIENT
 # ==========================================
 api_key = os.environ.get("GROQ_API_KEY")
-client = Groq(api_key=api_key) if api_key else None
+client = None
+if api_key:
+    client = Groq(api_key=api_key)
 
 # ==========================================
-# 📊 2. VERİ OKUMA (Tab/CSV, başlıksız)
+# 📊 2. CSV OKUMA VE MODEL EĞİTİMİ
 # ==========================================
-def parse_data(text):
-    """Tab veya virgülle ayrılmış, başlıksız veriyi okur."""
+def load_dataframe(file_or_url):
+    """Dosya yükleme veya URL'den TSV/CSV okur."""
     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:
+        if df.shape[1] < 6:  # tab değilse virgülle dene
             df = pd.read_csv(io.StringIO(text), sep=",", header=None)
+
         if df.shape[1] < 6:
-            return None, f"6 sütun bekleniyordu, {df.shape[1]} bulundu."
+            return None, f"Beklenen 6 sütun bulunamadı. Bulunan: {df.shape[1]}"
 
+        # Başlık yok -> manuel isimlendir
         df = df.iloc[:, :6]
         df.columns = ["date", "open", "high", "low", "close", "volume"]
 
-        for c in ["open", "high", "low", "close", "volume"]:
-            df[c] = pd.to_numeric(df[c], errors="coerce")
+        # Sayısal dönüşüm (bozuk satırları at)
+        for col in ["open", "high", "low", "close", "volume"]:
+            df[col] = pd.to_numeric(df[col], errors="coerce")
+
         df = df.dropna(subset=["close"]).reset_index(drop=True)
 
         if len(df) < 60:
-            return None, f"En az 60 satır gerekli, {len(df)} var."
+            return None, f"Yetersiz veri. En az 60 satır gerekli, bulunan: {len(df)}"
+
         return df, None
     except Exception as e:
         return None, f"Veri okunamadı: {e}"
 
 
-def get_dataframe(raw_text, url):
-    """Önce yapıştırılan metni, yoksa URL'yi dener."""
-    if raw_text and raw_text.strip():
-        return parse_data(raw_text)
-    if url and url.strip():
-        try:
-            r = requests.get(url.strip(), headers={"User-Agent": "Mozilla/5.0"}, timeout=30)
-            r.raise_for_status()
-            return parse_data(r.text)
-        except Exception as e:
-            return None, f"URL okunamadı: {e}"
-    return None, "Lütfen CSV içeriğini yapıştırın veya bir URL girin."
-
-# ==========================================
-# 🧮 3. TEKNİK GÖSTERGELER + MODEL
-# ==========================================
 def compute_rsi(series, period=14):
     delta = series.diff()
     gain = delta.clip(lower=0).rolling(period).mean()
@@ -66,27 +66,32 @@ def compute_rsi(series, period=14):
 
 
 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 yetersiz veri."
+        return None, None, None, None, "Göstergelerden sonra yeterli veri kalmadı."
 
     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)
@@ -104,11 +109,15 @@ def train_models(df):
     }
     return xgb_model, knn_model, scaler, metrics, None
 
+
 # ==========================================
-# 🧠 4. ANALİZ FONKSİYONU
+# 🧠 3. ANALİZ MOTORU
 # ==========================================
-def predict_and_analyze(raw_text, url):
-    df, err = get_dataframe(raw_text, url)
+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)
     if err:
         return err, {}
 
@@ -116,91 +125,95 @@ def predict_and_analyze(raw_text, url):
     if err:
         return err, {}
 
-    feat = np.array([[metrics["ma5"], metrics["ma20"], metrics["rsi"],
-                      metrics["macd"], metrics["volume"]]])
+    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
 
-    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
+    direction = "YUKARI 📈" if ensemble_prob_up > 0.5 else "AŞAĞI 📉"
+    confidence = max(ensemble_prob_up, ensemble_prob_down) * 100
 
     prob_dict = {
-        "XGBoost Yükseliş": xgb_up,
-        "KNN Yükseliş": knn_up,
-        "Ensemble Yükseliş": ens_up,
+        "XGBoost Yükseliş": xgb_prob_up,
+        "KNN Yükseliş": knn_prob_up,
+        "Ensemble Yükseliş (Ortalama)": ensemble_prob_up,
     }
 
     prompt = f"""
-    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.
+    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.
     """
 
     if client:
         try:
-            resp = client.chat.completions.create(
+            response = client.chat.completions.create(
                 model="openai/gpt-oss-120b",
                 messages=[{"role": "user", "content": prompt}],
                 temperature=0.3,
                 max_tokens=1024
             )
-            analysis = resp.choices[0].message.content
+            analysis_result = response.choices[0].message.content
         except Exception as e:
-            analysis = f"Groq API Hatası: {e}"
+            analysis_result = f"Groq API Hatası: {e}"
     else:
-        analysis = "GROQ_API_KEY bulunamadı!"
+        analysis_result = "GROQ_API_KEY bulunamadı! Hugging Face Secrets'a ekleyin."
 
     header = (
-        f"**Son: ${metrics['last_close']:,.2f}** | RSI: {metrics['rsi']:.1f} | "
+        f"**Son Kapanış: ${metrics['last_close']:,.2f}** | RSI: {metrics['rsi']:.1f} | "
         f"MA5: ${metrics['ma5']:,.0f} | MA20: ${metrics['ma20']:,.0f}\n\n"
-        f"**XGB:** %{xgb_up*100:.1f} | **KNN:** %{knn_up*100:.1f} | "
-        f"**Ens:** %{ens_up*100:.1f}\n\n---\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"
     )
-    return header + analysis, prob_dict
+    return header + analysis_result, prob_dict
+
 
 # ==========================================
-# 🎨 5. GRADIO ARAYÜZÜ
+# 🎨 4. GRADIO ARAYÜZÜ
 # ==========================================
 with gr.Blocks(theme=gr.themes.Soft(primary_hue="orange", secondary_hue="slate")) as demo:
     gr.Markdown(
         """
         # ₿ BTC/USD XGBoost + KNN & Groq AI Tahmin Radarı
-        **Dosya seçici kaldırıldı.** CSV içeriğini doğrudan aşağıya yapıştırın **veya** bir URL girin.
-        Veri **tab veya virgülle ayrılmış, başlıksız** olmalı:
+        Verinizi **CSV/TSV dosyası** olarak yükleyin **veya** doğrudan linkini girin.
+        Dosya **başlıksız** olmalı ve sütunlar sırasıyla:
         `Date, Open, High, Low, Close, Volume`
         """
     )
 
     with gr.Row():
         with gr.Column():
-            gr.Markdown("### 📋 CSV İçeriğini Yapıştır")
-            raw_input = gr.Textbox(
-                label="CSV/TSV İçeriği",
-                placeholder="2021-02-04 11:30\t37826.1\t37916.7\t37359.8\t37359.8\t5032\n...",
-                lines=10
-            )
-
-            gr.Markdown("### 🔗 veya URL")
-            url_input = gr.Textbox(
-                label="CSV Linki",
-                placeholder="https://raw.githubusercontent.com/.../BTCUSD30.csv"
-            )
-
+            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")
 
         with gr.Column():
             prob_output = gr.Label(label="Model Tahminleri")
-            analysis_output = gr.Markdown(value="Veri girip butona basın.")
+            analysis_output = gr.Markdown(value="Veri yükleyip butona basın.")
 
     submit_btn.click(
         fn=predict_and_analyze,
-        inputs=[raw_input, url_input],
+        inputs=[file_input if False else url_input],  # aşağıda düzelttim
         outputs=[analysis_output, prob_output]
     )