app.py

###############################################################################
# 0. IMPORTS & CONSTANTS
##############################################################################

import gradio as gr
import joblib
import numpy as np
import pandas as pd
from pathlib import Path
import re

SAMPLE_DIR   = "Sample Inputs (Excel)"        
EXAMPLE_XLSX = [
    f"{SAMPLE_DIR}/ADESE_2021.xlsx",
    f"{SAMPLE_DIR}/YYAPI_2017.xlsx",
    f"{SAMPLE_DIR}/SRVGY_2022.xlsx",
    f"{SAMPLE_DIR}/THYAO_2023.xlsx",
    f"{SAMPLE_DIR}/TTRAK_2024.xlsx",
    
]





FIN_DATA = pd.read_csv("financial_data.csv")

MODEL_PATH = "slim_xgb.joblib"

SELECTED_FEATS = [
    "Altman Z-Skoru", "Finansal Kaldıraç", "Nakit Oranı", "Aktif Devir Hızı",
    "L Model Skoru", "Zmijewski Skoru", "Asit Test Oranı",
    "Özsermaye / Maddi Duran Varlıklar", "Faaliyet Kar Marjı",
    "Duran Varlıklar / Maddi Özkaynak", "Ticari Borçlar Devir Hızı",
    "Stok Devir Hızı", "Brüt Kar Marjı (%)", "Cari Oran",
    "Esas Faaliyet Karı / Kısa Vadeli Borç", "Esas Faaliyet Kar Marjı",
    "Özsermaye / Aktif", "Alacak Devir Hızı", "Borç Kaynak Oranı",
    "Net Kar Marjı", "Net Satışlar / Kısa Vade Borç",
    "Kısa Vade Borç / Özsermaye", "Kısa Vade Borç / Toplam Borç",
    "Kısa Vade Borç / Aktif", "Kısa Vade Borç / Dönen Varlık",
    "FAVÖK / Kısa Vade Borç", "Duran Varlıklar / Aktif ",
    "Dönen Varlıklar / Aktif (%)", "Dönen Varlıklar Devir Hızı",
    "Aktif Karlılık (%)", "ROCE Oranı", "Finansman Gider / Net Satış",
]

DISPLAY_FEATS  = [                
    "Altman Z-Skoru",
    "L Model Skoru",
    "Zmijewski Skoru",
]

###############################################################################
# 1. HELPER FUNCTIONS
###############################################################################

def safe_div(num: pd.Series, denom: pd.Series) -> pd.Series:
    denom_replaced = denom.replace(0, np.nan)
    return (num / denom_replaced).fillna(0)


def compute_ratios(df: pd.DataFrame) -> pd.DataFrame:
    total_assets = df["Dönen Varlıklar"] + df["Duran Varlıklar"]
    total_liab   = df["Kısa Vadeli Yükümlülükler"] + df["Uzun Vadeli Yükümlülükler"]

    df["Cari Oran"] = safe_div(df["Dönen Varlıklar"], df["Kısa Vadeli Yükümlülükler"])
    df["Asit Test Oranı"] = safe_div(
        df["Dönen Varlıklar"] - df["Stoklar"] - df["Diğer Dönen Varlıklar"],
        df["Kısa Vadeli Yükümlülükler"])
    df["Nakit Oranı"] = safe_div(df["Nakit ve Nakit Benzerleri"], df["Kısa Vadeli Yükümlülükler"])

    df["Faaliyet Kar Marjı"]      = safe_div(df["FAALİYET KARI (ZARARI)"]*100, df["Satış Gelirleri"])
    df["Esas Faaliyet Kar Marjı"] = safe_div(df["Net Faaliyet Kar/Zararı"]*100, df["Satış Gelirleri"])
    df["Brüt Kar Marjı (%)"]      = safe_div(df["Ticari Faaliyetlerden Brüt Kar (Zarar)"]*100,
                                             df["Satış Gelirleri"])
    df["Net Kar Marjı"]           = safe_div(df["Dönem Net Kar/Zararı"]*100, df["Satış Gelirleri"])
    df["FAVÖK / Kısa Vade Borç"]  = safe_div(df["FAALİYET KARI (ZARARI)"], df["Kısa Vadeli Yükümlülükler"])

    df["Aktif Devir Hızı"]           = safe_div(df["Satış Gelirleri"], total_assets)
    df["Alacak Devir Hızı"]          = safe_div(df["Satış Gelirleri"], df["Ticari Alacaklar"])
    df["Dönen Varlıklar Devir Hızı"] = safe_div(df["Dönen Varlıklar"], df["Satış Gelirleri"])
    df["Ticari Borçlar Devir Hızı"]  = -safe_div(df["Satışların Maliyeti (-)"], df["Ticari Borçlar"])
    df["Stok Devir Hızı"]            = -safe_div(df["Satışların Maliyeti (-)"], df["Stoklar"])

    df["Borç Kaynak Oranı"]                 = safe_div(total_liab, df["Özkaynaklar"])*100
    df["Finansal Kaldıraç"]                 = safe_div(total_liab, total_assets)*100
    df["Özsermaye / Aktif"]                 = safe_div(df["Özkaynaklar"], total_assets)
    df["Özsermaye / Maddi Duran Varlıklar"] = safe_div(df["Özkaynaklar"], df["Maddi Duran Varlıklar"])
    df["Duran Varlıklar / Maddi Özkaynak"]  = safe_div(df["Duran Varlıklar"],
                                                       df["Özkaynaklar"] - df["Maddi Olmayan Duran Varlıklar"])
    df["Duran Varlıklar / Aktif "]          = safe_div(df["Duran Varlıklar"]*100, total_assets)
    df["Dönen Varlıklar / Aktif (%)"]       = safe_div(df["Dönen Varlıklar"]*100, total_assets)

    df["Kısa Vade Borç / Aktif"]        = safe_div(df["Kısa Vadeli Yükümlülükler"], total_assets)
    df["Kısa Vade Borç / Dönen Varlık"] = safe_div(df["Kısa Vadeli Yükümlülükler"], df["Dönen Varlıklar"])
    df["Kısa Vade Borç / Özsermaye"]    = safe_div(df["Kısa Vadeli Yükümlülükler"], df["Özkaynaklar"])
    df["Kısa Vade Borç / Toplam Borç"]  = safe_div(df["Kısa Vadeli Yükümlülükler"], total_liab)
    df["Net Satışlar / Kısa Vade Borç"] = safe_div(df["Satış Gelirleri"], df["Kısa Vadeli Yükümlülükler"])
    df["Esas Faaliyet Karı / Kısa Vadeli Borç"] = safe_div(
        df["Net Faaliyet Kar/Zararı"], df["Kısa Vadeli Yükümlülükler"])

    df["Aktif Karlılık (%)"]  = safe_div(df["Dönem Net Kar/Zararı"]*100, total_assets)
    df["ROCE Oranı"]          = safe_div(df["FAALİYET KARI (ZARARI)"]*100, total_assets)
    df["Finansman Gider / Net Satış"] = safe_div(df["Finansman Giderleri"], df["Satış Gelirleri"])

    X1 = safe_div(df["Dönen Varlıklar"] - df["Kısa Vadeli Yükümlülükler"], total_assets)
    X2 = safe_div(df["Geçmiş Yıllar Kar/Zararları"] + df["Dönem Net Kar/Zararı"], total_assets)
    X3 = safe_div(df["SÜRDÜRÜLEN FAALİYETLER VERGİ ÖNCESİ KARI (ZARARI)"], total_assets)
    X4 = safe_div(df["Özkaynaklar"], total_liab)
    X5 = safe_div(df["Satış Gelirleri"], total_assets)
    df["Altman Z-Skoru"] = 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + X5

    Z1 = safe_div(df["Dönem Net Kar/Zararı"], total_assets)
    Z2 = safe_div(total_liab, total_assets)
    Z3 = safe_div(df["Dönen Varlıklar"], df["Kısa Vadeli Yükümlülükler"])
    df["Zmijewski Skoru"] = -4.3 - 4.5*Z1 + 5.7*Z2 - 0.004*Z3

    L6 = safe_div(safe_div(df["Nakit ve Nakit Benzerleri"], df["Kısa Vadeli Yükümlülükler"]), total_liab)
    L7 = safe_div(total_liab, total_assets)
    df["L Model Skoru"] = -0.113*X1 + 0.238*X2 - 0.052*X3 - 0.051*X4 + 0.011*X5 + 0.729*L6 - 0.639*L7

    return df



def predict_opinion(excel_file: gr.File):

    # 0) Dosya kontrolü 
    if excel_file is None:
        raise gr.Error("Lütfen analiz edilecek Excel dosyasını yükleyin.")

    p = gr.Progress(track_tqdm=False)

    # 1) Excel oku 
    p(0.05, "Excel okunuyor…")
    raw_vert = pd.read_excel(excel_file.name, header=None, sheet_name=0)
    raw_df = (
        raw_vert.set_index(0)            # ilk sütun -> indeks
               .T.rename_axis(None)
               .reset_index(drop=True)
    )
    raw_df.columns = raw_df.columns.str.strip()
    raw_df = raw_df.loc[:, ~raw_df.columns.duplicated()]        
    raw_df.rename(columns={"Desc": "Periyot"}, inplace=True)
    raw_df["Periyot"] = raw_df["Periyot"].astype(str).str.replace(r"\s+", " ", regex=True).str.strip()

    # 2) 32 oran 
    p(0.30, "32 oran hesaplanıyor…")
    enriched    = compute_ratios(raw_df.copy())
    model_input = enriched[SELECTED_FEATS].copy().dropna()
    if model_input.empty:
        raise gr.Error("Hiç analiz edilebilir satır kalmadı – oran hesaplanamadı.")

    # 3) Model tahmini 
    p(0.55, "Model yükleniyor…")
    pipe, enc = joblib.load(MODEL_PATH)
    p(0.75, "Tahmin yapılıyor…")
    pred_label = enc.inverse_transform(pipe.predict(model_input))

    # 4) Gerçek görüşü CSV’den eşleştir  
    actual = []

    # 4-a) Dosya adından şirket kodu & yıl
    code_from_file, year_from_file = None, None
    parts = Path(excel_file.name).stem.split("_", 1)
    if len(parts) == 2 and parts[1].isdigit():
        code_from_file, year_from_file = parts[0].upper(), int(parts[1])

    # 4-b) Her satır (periyot) için kod+ yıl + periyot eşle
    for idx in model_input.index:
        period_lbl = str(raw_df.loc[idx, "Periyot"]).strip()

        row = FIN_DATA[
            (FIN_DATA["Şirketin Kodu"].str.upper() == code_from_file)
            & (FIN_DATA["Yıl"] == year_from_file)
            & (FIN_DATA["Periyot"].astype(str).str.strip() == period_lbl)
        ]

        # Yine de bulunamazsa – eski ~yakın değer yaklaşımına geri dön
        if row.empty:
            dv_val = raw_df.loc[idx, "Dönen Varlıklar"]
            tl_val = (
                raw_df.loc[idx, "Toplam Yükümlülükler"]
                if "Toplam Yükümlülükler" in raw_df.columns
                else raw_df.loc[idx, "Kısa Vadeli Yükümlülükler"] +
                     raw_df.loc[idx, "Uzun Vadeli Yükümlülükler"]
            )
            row = FIN_DATA[
                np.isclose(FIN_DATA["Dönen Varlıklar"], dv_val, rtol=0, atol=1e-3) &
                np.isclose(FIN_DATA["Toplam Yükümlülükler"], tl_val, rtol=0, atol=1e-3)
            ]

        actual.append(row["Görüs Tipi"].iloc[0] if not row.empty else "—")

    result_df = pd.DataFrame({
        "Periyot":            raw_df.loc[model_input.index, "Periyot"],
        "Tahmin Görüş Tipi":  pred_label,
        "Gerçek Görüş Tipi":  actual
    })

    # 5) 3 ana skorun mini bar-grafiği
    p(0.90, "Bar grafikleri hazırlanıyor…")
    ratio_row = model_input.iloc[0][DISPLAY_FEATS]

    # ▸ En büyük mutlak değer referans alınır
    max_abs = ratio_row.abs().max() or 1      

    bars_html = "<table style='width:100%;font-size:0.85rem'>"
    for k, v in ratio_row.items():
        pct = abs(v) / max_abs * 100        
        bars_html += (
        f"<tr>"
        f"<td style='padding:2px 6px;white-space:nowrap'>{k}</td>"
        f"<td style='width:100%'>"
        f"<div style='background:#e5e5e5;height:8px;border-radius:4px'>"
        f"<div style='width:{pct:.1f}%;height:8px;"
        f"background:#3b82f6;border-radius:4px'></div></div></td>"
        f"<td style='padding-left:6px'>{v:.2f}</td>"
        f"</tr>"
    )
    bars_html += "</table>"



    # 6) UI çıktılarını döndür 
    return (
        gr.update(value="### Ham Veri",         visible=True),
        gr.update(value=raw_df.head(),          visible=True),
        gr.update(value="### Finansal Oranlar", visible=True),
        gr.update(value=bars_html,              visible=True),
        gr.update(value="### Tahmin Sonuçları", visible=True),
        gr.update(value=result_df.head(),       visible=True),
    )






# --- 3. GRADIO UI 
with gr.Blocks(theme=gr.themes.Default(primary_hue="blue")) as demo:
    gr.Markdown("# Denetçi Görüşü Tahmin Uygulaması")

    # 1️⃣ Üst satır: dosya + buton
    with gr.Row():
        file_input  = gr.File(file_types=[".xlsx", ".xls", ".xlsm"],
                              label="Excel Yükleyin")
        predict_btn = gr.Button("Tahmin Et", variant="primary")

    # 2️⃣ Örnek dosyalar – daima sabit kalacak
    gr.Examples(
    examples=EXAMPLE_XLSX,
    inputs=file_input,
    label="Örnek Dosyayı Deneyin",
    cache_examples=False,)

    
    # 3️⃣ Çıktılar 
    ham_title   = gr.Markdown("### Ham Veri",            visible=False)
    raw_table   = gr.Dataframe(visible=False, wrap=True, show_label=False)

    ratio_title = gr.Markdown("### Finansal Oranlar",    visible=False)
    ratio_html  = gr.HTML(visible=False)

    pred_title  = gr.Markdown("### Tahmin Sonuçları",    visible=False)
    pred_table  = gr.Dataframe(visible=False, wrap=True, show_label=False)

    
    
    predict_btn.click(
        predict_opinion,
        inputs=file_input,
        outputs=[ham_title, raw_table,
                 ratio_title, ratio_html,
                 pred_title, pred_table],
        api_name="predict",
    )

if __name__ == "__main__":
    demo.launch()