Upload app.py

app.py

@@ -1,29 +1,27 @@
-
-App · PY
 """
 Predicty · Sales Forecast API  (v2 — teaching edition)
 =======================================================
 Backend สำหรับหลักสูตร Non-Degree "นักวิเคราะห์ข้อมูลและแบบจำลองเชิงพยากรณ์"
 กรณีศึกษา: ENT Group
- 
+
 ปรัชญาของเวอร์ชันนี้ — "อ่านผลอย่างซื่อสัตย์"
 ------------------------------------------------
 v1 มีปัญหาเชิงการสอน 4 ข้อ ที่ v2 แก้ทั้งหมด:
- 
+
   1. confidence เดิมคือสูตรกุขึ้นเอง  1 - resid/mean  → หน้าเว็บโชว์ 94%
      ทั้งที่ข้อมูลจริง ENT พยากรณ์ผิดเฉลี่ย ~30%
      v2: ความแม่นยำมาจาก "การทดสอบย้อนหลังจริง" (rolling-origin backtest) เท่านั้น
- 
+
   2. ช่วงความเชื่อมั่นเดิมใช้ค่าเบี่ยงเบนตัวเดียวคงที่ทุกเดือน
      v2: ช่วงมาจาก "การกระจายของความผิดพลาดจริงที่ระยะนั้น ๆ" → กว้างขึ้นตามระยะ
- 
+
   3. guardrails เดิมบีบค่าพยากรณ์เงียบ ๆ ไว้ใน [avg/3, avg*3]
      v2: ปิดโดยปริยาย และถ้าเปิดจะรายงานว่าเดือนไหนถูกตัดบ้าง
- 
+
   4. เลือกโมเดลจาก holdout ครั้งเดียว ≤3 เดือน แล้วไม่บอกผล
      v2: rolling-origin หลายจุดเริ่ม + ส่ง "ตารางอันดับ" กลับไปให้ผู้เรียนเห็นทุกโมเดล
          พร้อม skill score เทียบ baseline — ถ้าชนะ baseline ไม่ได้ ต้องกล้าบอก
- 
+
 Endpoints
 ---------
   GET  /                      ข้อมูลบริการ + รายการ endpoint
@@ -37,28 +35,28 @@ Endpoints
   POST /api/charts            ชุดข้อมูลกราฟหลายแบบ (YoY / YTD / heatmap / growth / …)
   POST /api/hindcast          ทำนายย้อนกลับทับเส้นจริง + ตรวจความสอดคล้องของ YoY
 """
- 
+
 import hashlib
 import json
 import os
 import time
 import warnings
- 
+
 import numpy as np
 import pandas as pd
 from flask import Flask, jsonify, request
 from flask_cors import CORS
 from statsmodels.tsa.holtwinters import ExponentialSmoothing
 from statsmodels.tsa.statespace.sarimax import SARIMAX
- 
+
 warnings.filterwarnings("ignore")
- 
+
 app = Flask(__name__)
 CORS(app, resources={r"/*": {"origins": "*"}})
- 
+
 # ค่า z สำหรับช่วงความเชื่อมั่นแบบ two-sided
 Z = {80: 1.2816, 90: 1.6449, 95: 1.9600}
- 
+
 SEASONAL_PERIOD = 12           # ข้อมูลรายเดือน
 MIN_HISTORY = 6                # น้อยกว่านี้พยากรณ์ไม่ได้เลย
 MIN_TRAIN = 36                 # ต้องมีอย่างน้อย 3 รอบปี ฤดูกาลถึงจะเทรนได้จริง
@@ -66,42 +64,42 @@ SEASONAL_MIN = 36              # < 36 เดือน ปิดส่วนฤ
 MAX_ORIGINS = 12               # จำกัดจำนวนจุดเริ่มใน backtest (คุมเวลาบน CPU ฟรีของ HF)
 MIN_ORIGINS = 3                # น้อยกว่านี้ถือว่าวัดความแม่นยำไม่ได้ — จะไม่รายงาน MAPE เลย
 BACKTEST_HORIZON = 6           # ทดสอบย้อนหลังที่ระยะ 1–6 เดือน
- 
+
 _CACHE = {}                    # cache ผล backtest ตาม hash ของข้อมูล
 _CACHE_MAX = 32
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 1 · เตรียมข้อมูล + ตรวจคุณภาพ
 # ══════════════════════════════════════════════════════════════════
- 
+
 def to_series(rows):
     """แปลง [{date:'2026-01', sales:123}, ...] → pandas Series รายเดือน
- 
+
     คืน (series, warnings) — warnings คือสิ่งที่ผู้เรีย���ควรรู้ก่อนเชื่อผลพยากรณ์
     """
     warns = []
     df = pd.DataFrame(rows)
- 
+
     if "date" not in df.columns or "sales" not in df.columns:
         raise ValueError("ต้องมีคอลัมน์ 'date' (YYYY-MM) และ 'sales'")
- 
+
     df["date"] = pd.to_datetime(df["date"].astype(str).str.strip() + "-01", errors="coerce")
     df["sales"] = pd.to_numeric(df["sales"], errors="coerce")
- 
+
     bad = int(df["date"].isna().sum())
     if bad:
         warns.append(f"มี {bad} แถวที่วันที่อ่านไม่ออก — ถูกตัดทิ้ง")
         df = df.dropna(subset=["date"])
- 
+
     dup = int(df["date"].duplicated().sum())
     if dup:
         warns.append(f"มีเดือนซ้ำ {dup} รายการ — รวมกันด้วยผลบวก")
         df = df.groupby("date", as_index=False)["sales"].sum()
- 
+
     df = df.sort_values("date").set_index("date")
     s = df["sales"].astype(float).asfreq("MS")
- 
+
     gaps = int(s.isna().sum())
     if gaps:
         warns.append(
@@ -109,17 +107,17 @@ def to_series(rows):
             f"(ระวัง: ค่าที่เติมไม่ใช่ข้อมูลจริง)"
         )
         s = s.interpolate().ffill().bfill()
- 
+
     return s, warns
- 
- 
+
+
 def data_quality(s):
     """ตรวจคุณภาพข้อมูล — สิ่งที่ต้องดูก่อนพยากรณ์เสมอ"""
     v = s.values.astype(float)
     n = len(v)
     mean, std = float(np.mean(v)), float(np.std(v, ddof=1)) if n > 1 else 0.0
     cv = std / mean if mean else 0.0
- 
+
     # outlier แบบ MAD (ทนต่อค่าสุดโต่งกว่า z-score ธรรมดา)
     med = float(np.median(v))
     mad = float(np.median(np.abs(v - med))) or 1e-9
@@ -128,7 +126,7 @@ def data_quality(s):
         {"period": s.index[i].strftime("%Y-%m"), "value": float(v[i]), "z_mad": round(float(zmod[i]), 2)}
         for i in np.where(np.abs(zmod) > 3.5)[0]
     ]
- 
+
     notes = []
     if n < MIN_TRAIN:
         notes.append(f"ข้อมูลมี {n} เดือน — น้อยกว่า {MIN_TRAIN} เดือน (3 รอบปี) จับรูปแบบฤดูกาลได้ไม่น่าเชื่อถือ")
@@ -145,7 +143,7 @@ def data_quality(s):
                 f"เดือนล่าสุด ({s.index[-1].strftime('%Y-%m')}) ต่ำกว่าค่าเฉลี่ย 3 เดือนก่อนหน้ามาก "
                 f"— มักแปลว่าเดือนนั้นยังเก็บข้อมูลไม่ครบ ควรตัดออกก่อนฝึกโมเดล"
             )
- 
+
     return {
         "n_months": n,
         "start": s.index[0].strftime("%Y-%m"),
@@ -160,37 +158,37 @@ def data_quality(s):
         "outliers": outliers,
         "notes": notes,
     }
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 2 · โมเดล  (baseline อยู่ก่อน — เพราะต้องเอาไว้เทียบเสมอ)
 # ══════════════════════════════════════════════════════════════════
- 
+
 def fit_naive(train, h):
     """ทายว่าเดือนหน้าเท่ากับเดือนล่าสุด — baseline ที่ง่ายที่สุด"""
     return np.full(h, float(train.values[-1]))
- 
- 
+
+
 def fit_mean3(train, h):
     """ทายด้วยค่าเฉลี่ย 3 เดือนล่าสุด — baseline ที่ธุรกิจใช้จริงบ่อยที่สุด"""
     return np.full(h, float(np.mean(train.values[-3:])))
- 
- 
+
+
 def fit_seasonal_naive(train, h):
     """ทายว่าเดือนนี้ปีนี้ = เดือนเดียวกันปีที่แล้ว — baseline มาตรฐานของข้อมูลมีฤดูกาล"""
     if len(train) < SEASONAL_PERIOD:
         return fit_mean3(train, h)
     last_year = train.values[-SEASONAL_PERIOD:]
     return np.tile(last_year, int(np.ceil(h / SEASONAL_PERIOD)))[:h].astype(float)
- 
- 
+
+
 def fit_linear(train, h):
     """ลากเส้นตรงผ่านข้อมูลทั้งหมดแล้วต่อไปข้างหน้า"""
     x = np.arange(len(train))
     coef = np.polyfit(x, train.values, 1)
     return np.polyval(coef, np.arange(len(train), len(train) + h))
- 
- 
+
+
 def fit_holtwinters(train, h):
     """Exponential Smoothing: ระดับ + แนวโน้ม + ฤดูกาล (ถ้าข้อ���ูลยาวพอ)"""
     use_seasonal = len(train) >= SEASONAL_MIN
@@ -202,8 +200,8 @@ def fit_holtwinters(train, h):
         initialization_method="estimated",
     ).fit(optimized=True)
     return np.asarray(m.forecast(h), dtype=float)
- 
- 
+
+
 def fit_sarima(train, h):
     """SARIMA(1,1,1)(1,1,1)[12] — โมเดลอนุกรมเวลามาตรฐาน"""
     seasonal_order = (1, 1, 1, SEASONAL_PERIOD) if len(train) >= SEASONAL_MIN else (0, 0, 0, 0)
@@ -215,11 +213,11 @@ def fit_sarima(train, h):
         enforce_invertibility=False,
     ).fit(disp=False)
     return np.asarray(m.get_forecast(h).predicted_mean, dtype=float)
- 
- 
+
+
 def _lag_frame(values, lags=(1, 2, 3, 12), months=None):
     """แปลงอนุกรมเวลาเป็นตารางแบบ supervised learning
- 
+
     บทเรียน: ML ทั่วไปไม่รู้จัก "เวลา" เราต้องป้อนอดีตให้มันเองผ่าน lag features
     """
     import numpy as _np
@@ -233,26 +231,26 @@ def _lag_frame(values, lags=(1, 2, 3, 12), months=None):
         rows.append(row)
         ys.append(v[t])
     return _np.array(rows, dtype=float), _np.array(ys, dtype=float)
- 
- 
+
+
 def fit_ml_rf(train, h):
     """Random Forest บน lag features — ตัวแทนฝั่ง Machine Learning
- 
+
     พยากรณ์หลายงวดแบบ recursive: ทำนายเดือนถัดไป → เอาค่าที่ทำนายได้ไปเป็น input
     ของเดือนถัดไปอีกที ความผิดพลาดจึงสะสมตามระยะ ซึ่งเป็นข้อจำกัดจริงของวิธีนี้
     """
     from sklearn.ensemble import RandomForestRegressor
- 
+
     LAGS = (1, 2, 3, 12)
     v = np.asarray(train.values, dtype=float)
     if len(v) < max(LAGS) + 8:
         return fit_mean3(train, h)
- 
+
     months = list(pd.DatetimeIndex(train.index).month)
     X, y = _lag_frame(v, LAGS, months)
     model = RandomForestRegressor(n_estimators=200, max_depth=8, min_samples_leaf=3,
                                   random_state=7, n_jobs=1).fit(X, y)
- 
+
     hist = list(v)
     last_month = months[-1]
     out = []
@@ -263,8 +261,8 @@ def fit_ml_rf(train, h):
         out.append(pred)
         hist.append(pred)
     return np.asarray(out, dtype=float)
- 
- 
+
+
 MODELS = {
     "naive": fit_naive,
     "mean3": fit_mean3,
@@ -274,11 +272,11 @@ MODELS = {
     "sarima": fit_sarima,
     "ml_rf": fit_ml_rf,
 }
- 
+
 # baseline = โมเดลง่าย ๆ ที่โมเดลจริงต้องเอาชนะให้ได้ ไม่งั้นถือว่าไม่มีประโยชน์
 BASELINES = ["naive", "mean3", "seasonal_naive"]
 BENCHMARK = "seasonal_naive"
- 
+
 MODEL_INFO = {
     "naive": {"th": "ทายเท่าเดือนล่าสุด", "kind": "baseline",
               "how": "ค่าพยากรณ์ทุกเดือน = ค่าของเดือนสุดท้ายในข้อมูล"},
@@ -295,25 +293,25 @@ MODEL_INFO = {
     "ml_rf": {"th": "Random Forest (Machine Learning)", "kind": "model",
               "how": "ป้อนค่าย้อนหลัง 1/2/3/12 เดือน + เดือนของปี ให้ต้นไม้ตัดสินใจหลายร้อยต้นโหวตกัน"},
 }
- 
+
 # ชื่อเดิมจาก v1 — รับไว้เพื่อไม่ให้ของเก่าพัง
 ALIASES = {"arima": "sarima", "hw": "holtwinters", "ets": "holtwinters"}
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 3 · การวัดผล
 # ══════════════════════════════════════════════════════════════════
- 
+
 def _safe_ape(actual, pred):
     a = np.asarray(actual, dtype=float)
     p = np.asarray(pred, dtype=float)
     denom = np.where(np.abs(a) < 1e-9, np.nan, a)
     return np.abs((a - p) / denom) * 100
- 
- 
+
+
 def score(actual, pred):
     """MAPE / MdAPE / MAE / RMSE
- 
+
     MAPE  = ผิดเฉลี่ยกี่ % — สื่อสารกับผู้บริหารง่ายที่สุด แต่ถูกเดือนที่ยอดต่ำดึงให้พองได้
     MdAPE = ค่ากลางของ % ที่ผิด — ทนต่อเดือนสุดโต่งกว่า
     MAE   = ผิดเฉลี่ยกี่บาท — ใช้ตัดสินใจธุรกิจได้ตรงกว่า %
@@ -328,23 +326,23 @@ def score(actual, pred):
         "mae": float(np.mean(np.abs(a - p))),
         "rmse": float(np.sqrt(np.mean((a - p) ** 2))),
     }
- 
- 
+
+
 def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS, models=None):
     """ทดสอบย้อนหลังแบบเลื่อนจุดเริ่ม — วิธีวัดความแม่นยำที่ถูกต้องของอนุกรมเวลา
- 
+
     หลักการ: ทำเสมือนย้อนเวลากลับไปยืนที่จุดหนึ่งในอดีต แล้วพยากรณ์ไปข้างหน้า
     โดยเห็นเฉพาะข้อมูลก่อนจุดนั้น จากนั้นเทียบกับสิ่งที่เกิดขึ้นจริง — ทำซ้ำหลายจุด
- 
+
     ทำไมต้องเลื่อนหลายจุด: วัดครั้งเดียวคือการวัด "ดวง" ไม่ใช่ "ฝีมือ"
- 
+
     คืน: {model: {"metrics": {...}, "errors_by_h": {h: [error, ...]}}}
     """
     models = models or list(MODELS.keys())
     n = len(s)
     FLOOR = max(MIN_HISTORY, SEASONAL_PERIOD + 3)    # เล็กกว่านี้เทรนอะไรไม่ได้เลย
     min_train = max(MIN_TRAIN, SEASONAL_PERIOD + 3)  # อยากได้ 3 รอบปี ถ้าข้อมูลมีพอ
- 
+
     # ต้องได้จุดทดสอบอย่างน้อย MIN_ORIGINS จุด — ถ้าไม่พอ ยอมย่อหน้าต่างเทรนลง
     want = n - horizon + 1 - MIN_ORIGINS
     shortened = False
@@ -352,10 +350,10 @@ def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS
         new_min = max(FLOOR, want)
         shortened = new_min < min_train
         min_train = new_min
- 
+
     if n < min_train + horizon:
         return None, "ข้อมูลสั้นเกินไปสำหรับการทดสอบย้อนหลัง"
- 
+
     all_origins = list(range(min_train, n - horizon + 1))
     if len(all_origins) < MIN_ORIGINS:
         # จุดทดสอบน้อยกว่านี้ = วัด "ดวง" ไม่ใช่ "ฝีมือ" — ยอมบอกว่าวัดไม่ได้ ดีกว่ารายงานตัวเลขที่เชื่อไม่ได้
@@ -366,12 +364,12 @@ def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS
         origins = [all_origins[i] for i in sorted(set(idx))]
     else:
         origins = all_origins
- 
+
     out = {m: {"errors_by_h": {h: [] for h in range(1, horizon + 1)},
                "actual": [], "pred": [],
                "agg_actual": [], "agg_pred": [],   # ยอดรวมทั้งช่วง (เช่น รายไตรมาส)
                "failed": 0} for m in models}
- 
+
     for o in origins:
         train, test = s.iloc[:o], s.iloc[o:o + horizon]
         for name in models:
@@ -389,7 +387,7 @@ def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS
             out[name]["agg_pred"].append(float(np.sum(fc)))
             for h in range(1, horizon + 1):
                 out[name]["errors_by_h"][h].append(float(test.values[h - 1] - fc[h - 1]))
- 
+
     result = {}
     for name, d in out.items():
         if len(d["actual"]) < horizon:
@@ -401,7 +399,7 @@ def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS
             "n_origins": len(origins),
             "failed_fits": d["failed"],
         }
- 
+
     meta = {
         "n_origins": len(origins),
         "horizon": horizon,
@@ -415,11 +413,11 @@ def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS
             "เพื่อให้มีจุดทดสอบพอ — ตัวเลขความแม่นยำจึงมีความไม่แน่นอนสูง"
         )
     return result, meta
- 
- 
+
+
 def build_leaderboard(bt):
     """เรียงอันดับโมเดลตาม MAPE + คำนวณ skill score เทียบ baseline
- 
+
     skill = 1 - MAPE(model) / MAPE(seasonal_naive)
       > 0  ดีกว่า baseline
       = 0  เท่า baseline
@@ -427,10 +425,10 @@ def build_leaderboard(bt):
     """
     if not bt:
         return [], None
- 
+
     bench = bt.get(BENCHMARK) or bt.get("mean3")
     bench_mape = bench["metrics"]["mape"] if bench else None
- 
+
     rows = []
     for name, d in bt.items():
         m = d["metrics"]
@@ -452,13 +450,13 @@ def build_leaderboard(bt):
         })
     rows.sort(key=lambda r: r["mape"])
     return rows, bench_mape
- 
- 
+
+
 def reliability_label(mape, best_model, leaderboard):
     """แปลตัวเลข MAPE เป็นภาษาที่ผู้บริหารและ นศ. ใช้ตัดสินใจ��ด้จริง"""
     beat = any(r["kind"] == "model" and r["beats_baseline"] for r in leaderboard)
     winner_is_baseline = MODEL_INFO.get(best_model, {}).get("kind") == "baseline"
- 
+
     if mape < 10:
         level, th = "high", "แม่นสูง — ใช้วางแผนรายเดือนได้"
     elif mape < 20:
@@ -467,7 +465,7 @@ def reliability_label(mape, best_model, leaderboard):
         level, th = "low", "ต่ำ — ใช้ได้แค่ดูแนวโน้มกว้าง ๆ ห้ามใช้ตั้งเป้ารายเดือน"
     else:
         level, th = "very_low", "ต่ำมาก — ข้อมูลผันผวนเกินกว่าจะพยากรณ์รายเดือนได้"
- 
+
     honest = []
     if winner_is_baseline:
         honest.append(
@@ -485,32 +483,32 @@ def reliability_label(mape, best_model, leaderboard):
             "และควรรวมยอดเป็นรายไตรมาสซึ่งแม่นกว่ารายเดือน"
         )
     return {"level": level, "th": th, "honest_notes": honest, "any_model_beats_baseline": beat}
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 4 · ช่วงความเชื่อมั่นจากความผิดพลาดจริง
 # ══════════════════════════════════════════════════════════════════
- 
+
 def empirical_intervals(mean, errors_by_h, level, fallback_std):
     """สร้างช่วงความเชื่อมั่นจาก "ความผิดพลาดที่เคยเกิดขึ้นจริง" ที่ระยะนั้น ๆ
- 
+
     นี่คือหัวใจเชิงการสอน: ช่วงกว้างขึ้นตามระยะ "เพราะวัดได้จริงว่ามันกว้างขึ้น"
     ไม่ใช่เพราะสูตรบอกให้กว้าง
- 
+
     วิธีทำ
       1. จาก backtest เก็บความผิดพลาดที่ระยะ h = 1, 2, 3, ... แยกกอง
       2. σ(h) = ส่วนเบี่ยงเบนมาตรฐานของกองนั้น
       3. บังคับให้ σ ไม่ลดลงตามระยะ (running max) — เพราะจุดทดสอบมีจำกัด
          σ ดิบจึงแกว่ง ถ้าไม่บังคับ จะได้ช่วงเดือนที่ 5 แคบกว่าเดือนที่ 2 ซึ่งไม่สมเหตุผล
       4. เลยระยะที่ทดสอบไว้ → ขยายต่อด้วย √(h/h_max) ตามทฤษฎี random walk
- 
+
     หมายเหตุที่ควรบอกผู้เรียน: ใช้ σ (สมมาตร) แทน quantile ดิบ เพราะจุดทดสอบระดับ
     ~10 จุดยังน้อยเกินกว่าจะประมาณ quantile หางได้เสถียร — บอกความไม่แน่นอน
     ของ "การประมาณความไม่แน่นอน" ตรง ๆ ดีกว่าแกล้งทำเป็นแม่น
     """
     z = Z.get(int(level), Z[80])
     max_h = max(errors_by_h.keys()) if errors_by_h else 0
- 
+
     # σ ต่อระยะ จากความผิดพลาดจริง
     sigma, sigma_raw, n_used, method = {}, {}, {}, "normal_approx"
     running = 0.0
@@ -524,7 +522,7 @@ def empirical_intervals(mean, errors_by_h, level, fallback_std):
             running = max(running, raw)
             sigma[h] = running
             method = "empirical_sigma_by_horizon"
- 
+
     lower, upper, sigma_out = [], [], []
     for i, m in enumerate(mean, start=1):
         if sigma:
@@ -538,7 +536,7 @@ def empirical_intervals(mean, errors_by_h, level, fallback_std):
         lower.append(max(0.0, float(m - spread)))
         upper.append(float(m + spread))
         sigma_out.append(round(float(sd), 2))
- 
+
     detail = {
         "method": method,
         "z": z,
@@ -551,11 +549,11 @@ def empirical_intervals(mean, errors_by_h, level, fallback_std):
         ),
     }
     return np.array(lower), np.array(upper), detail
- 
- 
+
+
 def apply_guardrails(fc, history):
     """บีบค่าพยากรณ์ให้อยู่ในกรอบที่สมเหตุสมผล — ปิดโดยปริยาย
- 
+
     ข้อควรระวังเชิงการสอน: การบีบค่าแบบนี้ทำ��ห้กราฟ "ดูดี" ขึ้น
     แต่ซ่อนความจริงว่าโมเดลกำลังให้คำตอบที่เพี้ยน — ถ้าเปิดใช้ต้องรายงานเสมอ
     """
@@ -565,16 +563,16 @@ def apply_guardrails(fc, history):
     lo, hi = avg / 3, avg * 3
     clipped = [i for i, v in enumerate(fc) if v < lo or v > hi]
     return np.clip(fc, lo, hi), clipped
- 
- 
+
+
 def next_periods(last_date, n):
     return [(last_date + pd.DateOffset(months=i + 1)).strftime("%Y-%m") for i in range(n)]
- 
- 
+
+
 def _hash(rows, extra=""):
     return hashlib.md5((json.dumps(rows, sort_keys=True, default=str) + extra).encode()).hexdigest()
- 
- 
+
+
 def _cached_backtest(rows, s, horizon):
     key = _hash(rows, f"|bt{horizon}")
     if key in _CACHE:
@@ -587,17 +585,17 @@ def _cached_backtest(rows, s, horizon):
         _CACHE.pop(next(iter(_CACHE)))
     _CACHE[key] = (bt, meta)
     return bt, meta
- 
- 
+
+
 def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality, level):
     """อธิบายว่าทำไมผลพยากรณ์ถึงออกมาแบบนี้ — เป็นภาษาที่คนไม่ได้เรียนสถิติอ่านรู้เรื่อง
- 
+
     ตัวเลขพยากรณ์เปล่า ๆ ไม่ช่วยให้ใครตัดสินใจ สิ่งที่ช่วยคือการรู้ว่า
     ค่านี้มาจากไหน · เชื่อได้แค่ไหน · และมันทำอะไรไม่ได้บ้าง
     """
     v = np.asarray(s.values, dtype=float)
     reasons = []
- 
+
     # ① ทำไมถึงเลือกโมเดลนี้ ────────────────────────────────────────
     if leaderboard:
         me = next((r for r in leaderboard if r["model"] == used), None)
@@ -613,7 +611,7 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
                     t += (f" แต่ยัง \"ไม่ดีกว่า\" การเดาแบบง่าย ({bench['label']} {bench['mape']}%) "
                           "— แปลว่าข้อมูลชุดนี้ยังไม่มีสัญญาณพอให้โมเดลได้เปรียบ")
             reasons.append({"title": "ทำไมถึงเลือกโมเดลนี้", "text": t})
- 
+
     # ② ตัวเลขที่ได้มาจากอะไร ───────────────────────────────────────
     if used == "naive":
         why = f"ทุกเดือนถูกตั้งให้เท่ากับเดือนล่าสุด ({v[-1]:,.0f} บาท) เส้นพยากรณ์จึงแบนราบ"
@@ -650,7 +648,7 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
     else:
         why = "ค่าพยากรณ์คำนวณจากรูปแบบที่โมเดลจับได้จากข้อมูลในอดีต"
     reasons.append({"title": "ตัวเลขที่ได้มาจากอะไร", "text": why})
- 
+
     # ③ ทิศทาง — เทียบกับอดีตที่คนดูจำได้ ──────────────────────────
     last3, fc3 = float(np.mean(v[-3:])), float(np.mean(mean[:min(3, len(mean))]))
     ch3 = (fc3 - last3) / last3 * 100 if last3 else 0
@@ -662,7 +660,7 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
         if ly:
             t += f" · เทียบช่วงเดียวกันของปีก่อน ({ly:,.0f} บาท) ต่างกัน {(fc3 - ly) / ly * 100:+.1f}%"
     reasons.append({"title": "ทิศทางเทียบกับของจริง", "text": t})
- 
+
     # ④ ทำไมช่วงถึงกว้างขนาดนี้ ─────────────────────────────────────
     width = float(np.mean(np.asarray(ci_detail["sigma_by_horizon"], dtype=float))) * 2 * ci_detail["z"]
     pct = width / float(np.mean(mean)) * 100 if np.mean(mean) else 0
@@ -672,7 +670,7 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
     if ci_detail.get("method") == "empirical_sigma_by_horizon":
         t += " ความกว้างนี้วัดจากความผิดพลาดที่เกิดขึ้นจริงในการทดสอบย้อนหลัง ไม่ได้มาจากสูตร"
     reasons.append({"title": "ทำไมช่วงถึงกว้างขนาดนี้", "text": t})
- 
+
     # ⑤ สิ่งที่ผลนี้ทำไม่ได้ ────────────────────────────────────────
     cant = []
     if acc and acc["mape"] >= 20:
@@ -683,7 +681,7 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
     cant.append("ไม่รู้เรื่องราคาคู่แข่ง งบลูกค้า หรือ pipeline ที่กำลังจะปิด "
                 "— ปัจจัยเหล่านี้ไม่ได้อยู่ในข้อมูลที่ป้อนเข้ามา")
     reasons.append({"title": "สิ่งที่ผลนี้ทำไม่ได้", "text": " · ".join(cant)})
- 
+
     # ⑥ พาดหัวหนึ่งประโยค ──────────────────────────────────────────
     lvl = acc["reliability"]["level"] if acc and acc.get("reliability") else "unknown"
     headline = {
@@ -692,14 +690,14 @@ def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality
         "low": "ผลนี้ใช้ได้แค่ดูแนวโน้มกว้าง ๆ ให้ตั้งเป้าเป็นยอดรวมไตรมาสแทนรายเดือน",
         "very_low": "ข้อมูลผันผวนเกินกว่าจะพยากรณ์รายเดือนได้ ให้ใช้เป็นช่วงเท่านั้น",
     }.get(lvl, "ยังประเมินความน่าเชื่อถือของผลนี้ไม่ได้ เพราะข้อมูลสั้นเกินไป")
- 
+
     return {"headline": headline, "reasons": reasons}
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 5 · Endpoints
 # ══════════════════════════════════════════════════════════════════
- 
+
 @app.route("/")
 def root():
     return jsonify({
@@ -720,13 +718,13 @@ def root():
         },
         "models": MODEL_INFO,
     })
- 
- 
+
+
 @app.route("/health")
 def health():
     return jsonify({"status": "ok", "version": "2.1-teaching"})
- 
- 
+
+
 @app.route("/api/sample")
 def sample():
     """ข้อมูลจริง ENT — ให้ UI กดโหลดได้ในคลิกเดียว"""
@@ -736,8 +734,8 @@ def sample():
             return jsonify(json.load(f))
     except FileNotFoundError:
         return jsonify({"error": "ไม่พบไฟล์ sample_ent.json ใน Space"}), 404
- 
- 
+
+
 @app.route("/api/forecast", methods=["POST", "OPTIONS"])
 def forecast():
     if request.method == "OPTIONS":
@@ -752,19 +750,19 @@ def forecast():
         level = level if level in Z else 80
         use_guardrails = bool(body.get("guardrails", False))
         drop_last = bool(body.get("drop_last_incomplete", False))
- 
+
         if len(rows) < MIN_HISTORY:
             return jsonify({"error": f"ต้องการข้อมูลย้อนหลังอย่างน้อย {MIN_HISTORY} เดือน"}), 400
- 
+
         s, warns = to_series(rows)
         if drop_last and len(s) > MIN_HISTORY:
             warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ")
             s = s.iloc[:-1]
         if len(s) < MIN_HISTORY:
             return jsonify({"error": f"หลังทำความสะอาดแล้วเหลือ {len(s)} เดือน — ไม่พอ"}), 400
- 
+
         quality = data_quality(s)
- 
+
         # ── ทดสอบย้อนหลัง (ใช้ทั้งเลือกโมเดล วัดความแม่น และสร้างช่วงความเชื่อมั่น) ──
         bt, bt_meta = _cached_backtest(rows if not drop_last else rows[:-1],
                                        s, min(BACKTEST_HORIZON, max(1, periods)))
@@ -777,7 +775,7 @@ def forecast():
                 f"{why} — ระบบจึงบอก 'ความแม่นยำ' ไม่ได้เลย "
                 "ให้ถือว่าผลพยากรณ์นี้ยังพิสูจน์ไม่ได้ และห้ามนำไปตั้งเป้า"
             )
- 
+
         # ── เลือกโมเดล ──
         if want in MODELS:
             used, selection = want, "ผู้ใช้เลือกเอง"
@@ -786,7 +784,7 @@ def forecast():
         else:
             used = "holtwinters" if len(s) >= SEASONAL_MIN else "linear"
             selection = "ข้อมูลสั้นเกินกว่าจะทดสอบย้อนหลัง — เลือกตามความยาวข้อมูล"
- 
+
         # ── พยากรณ์อนาคตจริง (เทรนด้วยข้อมูลทั้งหมด) ──
         fallback_used = None
         try:
@@ -797,27 +795,27 @@ def forecast():
             fallback_used = f"{used} ล้มเหลว ({type(e).__name__}) — ถอยไปใช้ seasonal_naive"
             used = "seasonal_naive"
             mean = MODELS[used](s, periods)
- 
+
         # ── ช่วงความเชื่อมั่นจากความผิดพลาดจริง ──
         errors_by_h = bt.get(used, {}).get("errors_by_h", {}) if bt else {}
         resid_std = float(np.std(np.diff(s.values))) if len(s) > 1 else float(np.std(s.values))
         lower, upper, ci_detail = empirical_intervals(mean, errors_by_h, level, resid_std)
- 
+
         # ── guardrails (ปิดโดยปริยาย และรายงานเสมอ) ──
         clipped = []
         if use_guardrails:
             mean, clipped = apply_guardrails(mean, s.values)
             lower = np.minimum(lower, mean)
             upper = np.maximum(upper, mean)
- 
+
         labels = next_periods(s.index[-1], periods)
- 
+
         # ── สรุปแนวโน้ม ──
         last3 = float(np.mean(s.values[-3:]))
         fc3 = float(np.mean(mean[:min(3, periods)]))
         change = (fc3 - last3) / last3 if last3 else 0.0
         trend = "up" if change > 0.05 else "down" if change < -0.05 else "stable"
- 
+
         # ── ความแม่นยำของโมเดลที่ใช้จริง ──
         acc = None
         if bt and used in bt:
@@ -833,15 +831,15 @@ def forecast():
                 "baseline_mape": None if bench_mape is None else round(bench_mape, 2),
             }
             acc["reliability"] = reliability_label(m["mape"], used, leaderboard)
- 
+
         explanation = explain_forecast(s, used, mean, labels, leaderboard, acc,
                                        ci_detail, quality, level)
- 
+
         # confidence เก่า — เก็บไว้เพื่อความเข้ากันได้ แต่คำนวณจาก MAPE จริงแล้ว
         confidence = None
         if acc:
             confidence = round(max(0.0, 1 - min(acc["mape"], 100) / 100), 3)
- 
+
         # ยอดรวมทั้งช่วง — ตัวเลขที่ผู้บริหารใช้ตัดสินใจได้จริงกว่ารายเดือน
         agg_mape = None
         if bt and used in bt:
@@ -857,7 +855,7 @@ def forecast():
                 "— ถ้าจะเอาไปตั้งเป้า ให้ตั้งเป็นยอดรวมไตรมาส/ครึ่งปี ไม่ใช่รายเดือน"
             ),
         }
- 
+
         return jsonify({
             "forecast": [
                 {"period": p, "predicted": round(float(mv), 2),
@@ -895,8 +893,8 @@ def forecast():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 @app.route("/api/backtest", methods=["POST", "OPTIONS"])
 def backtest_endpoint():
     """ทดสอบย้อนหลังอย่างเดียว — สำหรับหน้าจอ 'เทียบโมเดล' ในห้องเรียน"""
@@ -908,14 +906,14 @@ def backtest_endpoint():
         horizon = max(1, min(12, int(body.get("horizon", BACKTEST_HORIZON))))
         if len(rows) < MIN_HISTORY:
             return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {MIN_HISTORY} เดือน"}), 400
- 
+
         s, warns = to_series(rows)
         bt, meta = _cached_backtest(rows, s, horizon)
         if not bt:
             return jsonify({"error": meta if isinstance(meta, str) else "ทดสอบย้อนหลังไม่ได้"}), 400
- 
+
         leaderboard, bench = build_leaderboard(bt)
- 
+
         # ความผิดพลาดแยกตามระยะ — สอนว่า "ยิ่งไกลยิ่งแย่" เห็นเป็นตัวเลข
         by_h = {}
         for name, d in bt.items():
@@ -923,14 +921,14 @@ def backtest_endpoint():
                 str(h): round(float(np.mean(np.abs(e))), 2)
                 for h, e in d["errors_by_h"].items() if e
             }
- 
+
         monthly_vs_total = [
             {"model": r["model"], "label": r["label"],
              "mape_monthly": r["mape"], "mape_total": r["mape_total"],
              "improvement_pct_points": round(r["mape"] - r["mape_total"], 2)}
             for r in leaderboard
         ]
- 
+
         return jsonify({
             "leaderboard": leaderboard,
             "monthly_vs_total": monthly_vs_total,
@@ -942,12 +940,12 @@ def backtest_endpoint():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 @app.route("/api/decompose", methods=["POST", "OPTIONS"])
 def decompose():
     """แยกอนุกรมเวลาเป็น แนวโน้ม + ฤดูกาล + ส่วนที่เหลือ (STL)
- 
+
     ค่าความแรง (strength) ตามนิยามของ Hyndman:
       strength = max(0, 1 - Var(residual) / Var(residual + component))
       > 0.6 ถือว่าองค์ประกอบนั้นเด่นชัด
@@ -956,27 +954,27 @@ def decompose():
         return ("", 204)
     try:
         from statsmodels.tsa.seasonal import STL
- 
+
         body = request.get_json(force=True) or {}
         rows = body.get("data", [])
         if len(rows) < 2 * SEASONAL_PERIOD:
             return jsonify({"error": f"ต้องการอย่างน้อย {2 * SEASONAL_PERIOD} เดือนจึงจะแยกฤดูกาลได้"}), 400
- 
+
         s, warns = to_series(rows)
         res = STL(s, period=SEASONAL_PERIOD, robust=True).fit()
         tr, se, rs = res.trend, res.seasonal, res.resid
- 
+
         def strength(comp):
             v_r, v_rc = np.var(rs), np.var(rs + comp)
             return round(float(max(0.0, 1 - v_r / v_rc)) if v_rc > 0 else 0.0, 3)
- 
+
         st_trend, st_seas = strength(tr), strength(se)
- 
+
         # ดัชนีฤดูกาลเฉลี่ยรายเดือน
         seas_idx = pd.Series(se.values, index=s.index.month).groupby(level=0).mean()
         month_th = ["ม.ค.", "ก.พ.", "มี.ค.", "เม.ย.", "พ.ค.", "มิ.ย.",
                     "ก.ค.", "ส.ค.", "ก.ย.", "ต.ค.", "พ.ย.", "ธ.ค."]
- 
+
         reading = []
         reading.append(
             f"ความแรงของแนวโน้ม {st_trend} — " +
@@ -993,7 +991,7 @@ def decompose():
             f"ส่วนที่อธิบายไม่ได้ (residual) กินความผันผวนไป {var_share*100:.0f}% "
             + ("— นี่คือเพดานของการพยากรณ์ด้วยข้อมูลชุดนี้" if var_share > 0.5 else "")
         )
- 
+
         return jsonify({
             "periods": [d.strftime("%Y-%m") for d in s.index],
             "observed": [round(float(x), 2) for x in s.values],
@@ -1011,8 +1009,8 @@ def decompose():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 @app.route("/api/diagnostics", methods=["POST", "OPTIONS"])
 def diagnostics():
     """ADF stationarity + ACF/PACF + คุณภาพข้อมูล — ใช้ก่อนเลือกพารามิเตอร์ SARIMA"""
@@ -1020,17 +1018,17 @@ def diagnostics():
         return ("", 204)
     try:
         from statsmodels.tsa.stattools import acf, adfuller, pacf
- 
+
         body = request.get_json(force=True) or {}
         rows = body.get("data", [])
         nlags = max(6, min(24, int(body.get("nlags", 24))))
         if len(rows) < MIN_HISTORY:
             return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {MIN_HISTORY} เดือน"}), 400
- 
+
         s, warns = to_series(rows)
         v = s.values.astype(float)
         nlags = min(nlags, len(v) // 2 - 1)
- 
+
         def adf(x, label):
             stat, p, lags, nobs, crit, _ = adfuller(x, autolag="AIC")
             return {
@@ -1044,18 +1042,18 @@ def diagnostics():
                             if p < 0.05 else
                             "ยังไม่นิ่ง (p ≥ 0.05) — ควร differencing"),
             }
- 
+
         adf_raw = adf(v, "ข้อมูลดิบ")
         adf_d1 = adf(np.diff(v), "หลัง differencing 1 ครั้ง") if len(v) > 3 else None
- 
+
         a = acf(v, nlags=nlags, fft=False)
         p_ = pacf(v, nlags=min(nlags, len(v) // 2 - 1))
         bound = 1.96 / np.sqrt(len(v))
- 
+
         sig_seasonal = [
             int(k) for k in [12, 24] if k <= nlags and abs(float(a[k])) > bound
         ]
- 
+
         hints = []
         d_sug = 0 if adf_raw["is_stationary"] else 1
         hints.append(f"แนะนำ d = {d_sug} (จากผล ADF)")
@@ -1068,7 +1066,7 @@ def diagnostics():
             f"PACF ตัดหลัง lag {max(sig_early)} — ลอง p = {max(sig_early)}"
             if sig_early else "PACF ไม่มี lag ต้น ๆ ที่เด่น — ลอง p = 0 หรือ 1"
         )
- 
+
         return jsonify({
             "adf": [x for x in [adf_raw, adf_d1] if x],
             "acf": [{"lag": i, "value": round(float(a[i]), 4), "significant": bool(abs(float(a[i])) > bound)}
@@ -1082,29 +1080,29 @@ def diagnostics():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 # ══════════════════════════════════════════════════════════════════
 #  ส่วนที่ 6 · ชุดข้อมูลกราฟ และการทำนายย้อนกลับ
 # ══════════════════════════════════════════════════════════════════
- 
+
 def _year_table(s):
     """ตารางปี × เดือน พร้อมธงบอกว่าปีไหน/เดือนไหนข้อมูลยังไม่ครบ"""
     df = pd.DataFrame({"v": s.values, "y": s.index.year, "m": s.index.month})
     piv = df.pivot_table(index="y", columns="m", values="v", aggfunc="sum")
     piv = piv.reindex(columns=range(1, 13))
     return piv
- 
- 
+
+
 def _nn(x):
     """แปลง NaN เป็น None เพื่อให้ JSON อ่านได้"""
     return None if x is None or (isinstance(x, float) and not np.isfinite(x)) else round(float(x), 2)
- 
- 
+
+
 @app.route("/api/charts", methods=["POST", "OPTIONS"])
 def charts():
     """ชุดข้อมูลพร้อมวาดกราฟหลายแบบจากอนุกรมเดียวกัน
- 
+
     คืนเป็น "ข้อมูลที่พร้อมวาด" ทุกบล็อก — หน้าเว็บเลือกหยิบไปวาดได้เลย
     ทุกบล็อกที่อิงรายปีจะมีธง complete บอกว่าปีนั้นข้อมูลครบ 12 เดือนหรือยัง
     เพื่อไม่ให้กราฟหลอกตาว่า "ปีนี้ยอดตก" ทั้งที่ยังไม่จบปี
@@ -1117,17 +1115,17 @@ def charts():
         drop_last = bool(body.get("drop_last_incomplete", False))
         if len(rows) < 3:
             return jsonify({"error": "ต้องการข้อมูลอย่างน้อย 3 เดือน"}), 400
- 
+
         s, warns = to_series(rows)
         if drop_last and len(s) > 3:
             warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ")
             s = s.iloc[:-1]
- 
+
         piv = _year_table(s)
         years = [int(y) for y in piv.index]
         month_th = ["ม.ค.", "ก.พ.", "มี.ค.", "เม.ย.", "พ.ค.", "มิ.ย.",
                     "ก.ค.", "ส.ค.", "ก.ย.", "ต.ค.", "พ.ย.", "ธ.ค."]
- 
+
         # ── 1. ยอดรวมรายปี + อัตราเติบโต YoY ──────────────────────────
         totals, counts = piv.sum(axis=1), piv.notna().sum(axis=1)
         yoy_annual = []
@@ -1141,7 +1139,7 @@ def charts():
                 "avg_per_month": round(tot / cnt, 2) if cnt else None,
             })
             prev = tot
- 
+
         # ── 2. เทียบรายเดือนแยกปี (multi-line / grouped bar) ──────────
         yoy_monthly = {
             "months": month_th,
@@ -1149,7 +1147,7 @@ def charts():
                         "values": [_nn(piv.loc[y, m]) for m in range(1, 13)]}
                        for y in years],
         }
- 
+
         # ── 3. YTD pace — สะสมตั้งแต่ต้นปี เทียบจังหวะข้ามปี ──────────
         ytd = {"months": month_th, "series": []}
         for y in years:
@@ -1162,7 +1160,7 @@ def charts():
                     acc += float(v)
                     run.append(round(acc, 2))
             ytd["series"].append({"year": int(y), "values": run})
- 
+
         # ── 4. heatmap ปี × เดือน (ดัชนีเทียบค่าเฉลี่ยของปีนั้น) ──────
         heat = []
         for y in years:
@@ -1171,7 +1169,7 @@ def charts():
             heat.append({"year": int(y),
                          "values": [None if pd.isna(row[m]) or not mean else round(float(row[m]) / mean, 3)
                                     for m in range(1, 13)]})
- 
+
         # ── 5. เส้นจริง + ค่าเฉลี่ยเคลื่อนที่ ────────────────────────
         ma = {
             "periods": [d.strftime("%Y-%m") for d in s.index],
@@ -1179,7 +1177,7 @@ def charts():
             "ma3": [_nn(x) for x in s.rolling(3).mean().values],
             "ma12": [_nn(x) for x in s.rolling(12).mean().values],
         }
- 
+
         # ── 6. อัตราเติบโต MoM และ YoY รายเดือน ──────────────────────
         mom = s.pct_change() * 100
         yoy_m = s.pct_change(12) * 100
@@ -1188,7 +1186,7 @@ def charts():
             "mom_pct": [_nn(x) for x in mom.values],
             "yoy_pct": [_nn(x) for x in yoy_m.values],
         }
- 
+
         # ── 7. การกระจายของยอดรายเดือน (histogram) ───────────────────
         cnts, edges = np.histogram(s.values, bins=min(12, max(5, len(s) // 7)))
         dist = {
@@ -1196,7 +1194,7 @@ def charts():
                       "count": int(cnts[i])} for i in range(len(cnts))],
             "mean": round(float(s.mean()), 2), "median": round(float(s.median()), 2),
         }
- 
+
         # ── 8. โปรไฟล์รายเดือน (box plot) — ฤดูกาลซ้ำจริงไหม ─────────
         prof = []
         norm = pd.DataFrame({"v": s.values, "y": s.index.year, "m": s.index.month})
@@ -1211,7 +1209,7 @@ def charts():
                          "median": round(float(g.median()), 3), "q3": round(q3, 3),
                          "max": round(float(g.max()), 3), "iqr": round(q3 - q1, 3),
                          "repeatable": bool(q3 - q1 < 0.35)})
- 
+
         # ── 9. แยกตามหมวด (เฉพาะเมื่อข้อมูลขาเข้ามีคอลัมน์ category) ──
         by_category = None
         cats = [r for r in rows if isinstance(r, dict) and r.get("category")]
@@ -1232,14 +1230,14 @@ def charts():
                 "note": ("เกิน 3 หมวดให้ใช้ bar เรียงลำดับ ไม่ใช่ pie "
                          "— ตาคนเทียบความยาวแท่งได้แม่นกว่ามุมของชิ้นพาย"),
             }
- 
+
         partial = [r["year"] for r in yoy_annual if not r["complete"]]
         if partial:
             warns.append(
                 f"ปี {partial} ยังมีข้อมูลไม่ครบ 12 เดือน — ห้ามเทียบยอดรวมรายปีตรง ๆ "
                 "ให้ใช้ค่าเฉลี่ยต่อเดือนหรือ YTD แทน"
             )
- 
+
         return jsonify({
             "yoy_annual": yoy_annual,
             "yoy_monthly": yoy_monthly,
@@ -1265,15 +1263,15 @@ def charts():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 @app.route("/api/hindcast", methods=["POST", "OPTIONS"])
 def hindcast():
     """ทำนายย้อนกลับ — ให้โมเดลทายอดีตทีละเดือน โดยเห็นเฉพาะข้อมูลก่อนหน้า
- 
+
     ต่างจาก /api/backtest ตรงที่คืน "เส้นกราฟ" ให้วาดทับกับของจริงได้
     ทุกค่าที่คืนเป็น out-of-sample ล้วน ไม่มีการมองอนาคตแม้แต่จุดเดียว
- 
+
     และตอบคำถามสำคัญ: อัตราเติบโต YoY ที่โมเดลทำนาย
     สอดคล้องกับ YoY ที่เกิดขึ้นจริงหรือไม่
     """
@@ -1289,27 +1287,27 @@ def hindcast():
         want = [m for m in want if m in MODELS]
         if not want:
             return jsonify({"error": "ไม่มีชื่อโมเดลที่ใช้ได้"}), 400
- 
+
         s, warns = to_series(rows)
         if drop_last and len(s) > MIN_HISTORY:
             warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ")
             s = s.iloc[:-1]
- 
+
         n = len(s)
         min_train = max(MIN_TRAIN, SEASONAL_PERIOD + 3)
         if n < min_train + horizon + 2:
             min_train = max(SEASONAL_PERIOD + 3, n - horizon - 6)
         if n < min_train + horizon:
             return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {min_train + horizon} เดือน"}), 400
- 
+
         periods = [d.strftime("%Y-%m") for d in s.index]
- 
+
         ck = _hash(rows, f"|hc{horizon}|{drop_last}|{','.join(sorted(want))}")
         if ck in _CACHE:
             return jsonify(_CACHE[ck])
- 
+
         preds = {m: [None] * n for m in want}
- 
+
         t0 = time.time()
         for o in range(min_train, n - horizon + 1):
             train = s.iloc[:o]
@@ -1321,9 +1319,9 @@ def hindcast():
                 except Exception:
                     pass
         elapsed = round(time.time() - t0, 2)
- 
+
         actual = [round(float(x), 2) for x in s.values]
- 
+
         # ── ความผิดพลาดของแต่ละโมเดล เฉพาะจุดที่ทำนายได้ ─────────────
         summary = {}
         for m in want:
@@ -1341,13 +1339,13 @@ def hindcast():
                 "rmse": round(sc["rmse"], 2),
                 "bias": round(float(np.mean(p - a)), 2),   # บวก = ทายสูงเกินจริงเป็นระบบ
             }
- 
+
         # ── ตรวจความสอดคล้องของ YoY จริง เทียบ YoY ที่โมเดลทำนาย ─────
         ydf = pd.DataFrame({"period": periods, "actual": actual})
         ydf["year"] = [int(str(p)[:4]) for p in periods]
         for m in want:
             ydf[m] = preds[m]
- 
+
         yoy_check = []
         yrs = sorted(ydf["year"].unique())
         for i in range(1, len(yrs)):
@@ -1379,7 +1377,7 @@ def hindcast():
                 }
             if entry["models"]:
                 yoy_check.append(entry)
- 
+
         # ── สรุปเป็นภาษาคน ────────────────────────────────────────────
         reading = []
         if summary:
@@ -1407,7 +1405,7 @@ def hindcast():
         reading.append(
             "ทุกค่าในกราฟนี้เป็น out-of-sample ล้วน — ณ แต่ละจุด โมเดลเห็นเฉพาะข้อมูลก่อนหน้านั้น"
         )
- 
+
         payload = {
             "periods": periods,
             "actual": actual,
@@ -1432,13 +1430,13 @@ def hindcast():
         return jsonify(payload)
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
- 
+
+
+
 @app.route("/api/describe", methods=["POST", "OPTIONS"])
 def describe():
     """อธิบายข้อมูลชุดนี้ให้คนที่ไม่เคยวิเคราะห์ข้อมูลมาก่อนเข้าใจ
- 
+
     ตอบ 4 คำถามที่ผู้เริ่มต้นถามเสมอ:
       1. ข้อมูลนี้คืออะไร จากไหน ถึงไหน
       2. แต่ละคอลัมน์หมายถึงอะไร
@@ -1454,12 +1452,12 @@ def describe():
         subject = str(body.get("subject", "ยอดขาย"))
         if len(rows) < 2:
             return jsonify({"error": "ต้องการข้อมูลอย่างน้อย 2 เดือน"}), 400
- 
+
         s, warns = to_series(rows)
         q = data_quality(s)
         v = np.asarray(s.values, dtype=float)
         years = sorted({d.year for d in s.index})
- 
+
         # ── 1. เล่าให้ฟังเป็นภาษาคน ────────────────────────────────
         overview = [
             f"ข้อมูลชุดนี้คือ{subject} สรุปเป็น รายเดือน เดือนละ 1 ค่า",
@@ -1468,7 +1466,7 @@ def describe():
             f"ค่าเฉลี่ยเดือนละ {q['mean']:,.0f} {unit} · ต่ำสุด {q['min']:,.0f} · สูงสุด {q['max']:,.0f}",
             f"หนึ่งแถว = หนึ่งเดือน ไม่ใช่หนึ่งรายการขาย — รายการขายทั้งหมดในเดือนนั้นถูกบวกรวมกันแล้ว",
         ]
- 
+
         # ── 2. พจนานุกรมคอลัมน์ ────────────────────────────────────
         dictionary = [
             {"column": "date", "th": "เดือน", "type": "ข้อความ รูปแบบ YYYY-MM",
@@ -1480,7 +1478,7 @@ def describe():
             dictionary.append({"column": "category", "th": "หมวดสินค้า", "type": "ข้อความ",
                                "example": "Computer/PC",
                                "meaning": "กลุ่มสินค้า ใช้แยกดูว่าหมวดไหนโตหรือหด (ไม่บังคับ)"})
- 
+
         # ── 3. ตัวอย่างข้อมูลจริง หัวและท้าย ───────────────────────
         def peek(idx):
             return [{"date": s.index[i].strftime("%Y-%m"), "sales": round(float(v[i]), 2)} for i in idx]
@@ -1489,7 +1487,7 @@ def describe():
             "last": peek(range(max(0, len(v) - 5), len(v))),
             "note": "แสดง 5 แถวแรกและ 5 แถวสุดท้าย จากทั้งหมด %d แถว" % len(v),
         }
- 
+
         # ── 4. เช็คลิสต์ความพร้อมของข้อมูล ─────────────────────────
         def item(label, ok, detail):
             return {"check": label, "status": "ok" if ok else "warn", "detail": detail}
@@ -1512,7 +1510,7 @@ def describe():
                  "ดูปกติ" if not any("เดือนล่าสุด" in n for n in q["notes"])
                  else f"{q['end']} ต่ำผิดปกติ — น่าจะยังเก็บไม่ครบเดือน ควรตัดออกก่อนฝึกโมเดล"),
         ]
- 
+
         # ── 5. แผนการวิเคราะห์ ทีละขั้น ────────────────────────────
         plan = [
             {"step": 1, "title": "ทำความรู้จักข้อมูล",
@@ -1546,7 +1544,7 @@ def describe():
              "look_at": "explanation (ทำไมได้ผลแบบนี้) · ช่วงความเชื่อมั่น · total (ยอดรวมทั้งช่วง)",
              "why": "ตัวเลขเดียวไม่ช่วยตัดสินใจ ช่วง + เหตุผล + ข้อจำกัด คือสิ่งที่ช่วย"},
         ]
- 
+
         return jsonify({
             "overview": overview,
             "dictionary": dictionary,
@@ -1570,10 +1568,7 @@ def describe():
         })
     except Exception as e:
         return jsonify({"error": f"{type(e).__name__}: {e}"}), 500
- 
- 
+
+
 if __name__ == "__main__":
     app.run(host="0.0.0.0", port=int(os.environ.get("PORT", 7860)))
- 
-
-Downloaded คู่มือติดตั้งและใช้สอน.md Show in Finder