Update app.py

app.py

@@ -1,39 +1,16 @@
-# -----------------------------------------------------------------------------
-# app_fhe.py – FHE audit‑opinion predictor (minimal UI, encoder mapping added)
-# -----------------------------------------------------------------------------
-# Akış
-# -----
-# 1. Kullanıcı Excel yükler → 24 oran hesaplanır.
-# 2. Özellik vektörü FHE ile şifrelenir; sunucuda tahmin (sınıf kodu) yapılır.
-# 3. Kullanıcıya gizli anahtar verilir; anahtar yapıştırılıp **Çöz** denildiğinde
-#    tahmin sınıf kodu **encoder** yardımıyla metin etiketine çevrilir.
-# -----------------------------------------------------------------------------
+# ---------------------------------------------------------------------------
+# app.py – Denetçi Görüşü Tahmini (pipe + LabelEncoder)
+# ---------------------------------------------------------------------------
+# 1. Excel yüklenir → 24 finansal oran hesaplanır.
+# 2. (pipeline, LabelEncoder) ikilisi joblib'den yüklenir.
+# 3. pipe.predict → enc.inverse_transform → sonuç tabloya basılır.
+# ---------------------------------------------------------------------------
 
 from __future__ import annotations
+import pandas as pd, numpy as np, joblib, gradio as gr
+from pathlib import Path
 
-import base64
-import io
-from typing import Any, Tuple
-
-import gradio as gr
-import joblib
-import numpy as np
-import pandas as pd
-# concrete-ml import kaldırıldı; model joblib ile doğrudan yükleniyor.
-# -----------------------------------------------------------------------------
-# PATHS & CONSTANTS
-# -----------------------------------------------------------------------------
-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",
-]
-
-FHE_MODEL_PATH   = "fhe_xgb.joblib"      # Concrete‑ML compiled model (class codes)
-PIPE_ENCODER_PATH = "pipe_encoder.joblib" # joblib dump: (sklearn Pipeline, LabelEncoder)
+FHE_MODEL_PATH = "fhe_xgb.joblib"   # içinde (pipe, enc) tuple'ı var
 
 SELECTED_FEATS = [
     "Finansal Kaldıraç", "Zmijewski Skoru", "Cari Oran", "Asit Test Oranı",
@@ -47,140 +24,99 @@ SELECTED_FEATS = [
     "Özsermaye / Maddi Duran Varlıklar",
 ]
 
-# -----------------------------------------------------------------------------
-# LOAD MODELS / ENCODER
-# -----------------------------------------------------------------------------
-# Compiled FHE model doğrudan yüklenir.
-FHE_MODEL = joblib.load(FHE_MODEL_PATH)  # type: ignore), dtype=np.float32))
-
-PIPE: Any
-ENC: Any
-try:
-    PIPE, ENC = joblib.load(PIPE_ENCODER_PATH)
-except FileNotFoundError:
-    ENC = None  # fallback – will show numeric code
-
-# -----------------------------------------------------------------------------
-# 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)
+pipe, enc = joblib.load(FHE_MODEL_PATH)  # pipeline + LabelEncoder
 
+# ---------------------------------------------------------------------------
+# Oran hesaplama yardımcıları
+# ---------------------------------------------------------------------------
+def safe_div(a: pd.Series, b: pd.Series) -> pd.Series:
+    return (a / b.replace(0, np.nan)).fillna(0)
 
 def compute_ratios(df: pd.DataFrame) -> pd.DataFrame:
-    # -- same full ratio calculations as previous version (omitted for brevity) --
-    # ensure SELECTED_FEATS are produced
-    total_assets = df["Dönen Varlıklar"] + df["Duran Varlıklar"]
-    total_liab   = df["Kısa Vadeli Yükümlülükler"] + df["Uzun Vadeli Yükümlülükler"]
-    # [likidite, kârlılık, verimlilik, kaldıraç, distress hesaplamaları...]
-    # ...
-    return df  # placeholder – replace with full implementation
-
-_b64_dump = lambda obj: base64.b64encode(joblib.dumps(obj)).decode()
-_b64_load = lambda txt: joblib.loads(base64.b64decode(txt.encode()))
-
-# -----------------------------------------------------------------------------
-# STATE & CALLBACKS
-# -----------------------------------------------------------------------------
-
-encrypted_pred_state = gr.State(value=None)
-
-# helper: gerekli FHE metodlarının varlığını hızlıca kontrol et
-for fn in ("keygen", "encrypt", "run", "decrypt"):
-    if not hasattr(FHE_MODEL, fn):
-        raise AttributeError(f"FHE model eksik metod: {fn}")
-
-
-def encrypt_and_predict(excel_file: gr.File):
+    ta = df["Dönen Varlıklar"] + df["Duran Varlıklar"]
+    tl = 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["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["Aktif Karlılık (%)"] = safe_div(df["Dönem Net Kar/Zararı"]*100, ta)
+
+    df["Aktif Devir Hızı"]           = safe_div(df["Satış Gelirleri"], ta)
+    df["Dönen Varlıklar Devir Hızı"] = safe_div(df["Dönen Varlıklar"], df["Satış Gelirleri"])
+    df["Stok Devir Hızı"]            = -safe_div(df["Satışların Maliyeti (-)"], df["Stoklar"])
+
+    df["Finansal Kaldıraç"]            = safe_div(tl, ta)*100
+    df["Kısa Vade Borç / Aktif"]       = safe_div(df["Kısa Vadeli Yükümlülükler"], ta)
+    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"], tl)
+    df["Özsermaye / Aktif"]            = safe_div(df["Özkaynaklar"], ta)
+
+    df["Duran Varlıklar / Aktif "]      = safe_div(df["Duran Varlıklar"]*100, ta)
+    df["Dönen Varlıklar / Aktif (%)"]   = safe_div(df["Dönen Varlıklar"]*100, ta)
+    df["Özsermaye / Maddi Duran Varlıklar"] = safe_div(df["Özkaynaklar"], df["Maddi Duran Varlıklar"])
+
+    df["Finansman Gider / Net Satış"] = safe_div(df["Finansman Giderleri"], df["Satış Gelirleri"])
+    df["Esas Faaliyet Karı / Kısa Vadeli Borç"] = safe_div(
+        df["Net Faaliyet Kar/Zararı"], df["Kısa Vadeli Yükümlülükler"])
+    df["ROCE Oranı"] = safe_div(df["FAALİYET KARI (ZARARI)"]*100, ta)
+
+    X1 = safe_div(df["Dönen Varlıklar"] - df["Kısa Vadeli Yükümlülükler"], ta)
+    X2 = safe_div(df["Geçmiş Yıllar Kar/Zararları"] + df["Dönem Net Kar/Zararı"], ta)
+    X3 = safe_div(df["SÜRDÜRÜLEN FAALİYETLER VERGİ ÖNCESİ KARI (ZARARI)"], ta)
+    X4 = safe_div(df["Özkaynaklar"], tl)
+    X5 = safe_div(df["Satış Gelirleri"], ta)
+    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"], ta)
+    Z2 = safe_div(tl, ta)
+    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"]), tl)
+    L7 = safe_div(tl, ta)
+    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
+
+# ---------------------------------------------------------------------------
+# PREDICT CALLBACK
+# ---------------------------------------------------------------------------
+def predict_opinion(excel_file: gr.File):
     if excel_file is None:
-        raise gr.Error("Lütfen analiz edilecek Excel dosyasını yükleyin.")
-
-    p = gr.Progress(track_tqdm=False)
-    p(0.05, "Excel okunuyor…")
+        raise gr.Error("Excel dosyası yükleyin.")
 
-    raw_vert = pd.read_excel(excel_file.name, header=None, sheet_name=0)
-    raw_df = raw_vert.set_index(0).T.reset_index(drop=True)
-    raw_df.columns = raw_df.columns.str.strip()
+    raw = pd.read_excel(excel_file.name, header=None, sheet_name=0).set_index(0)
+    df  = raw.T.reset_index(drop=True)
+    df.columns = df.columns.str.strip()
 
-    p(0.30, "Oranlar hesaplanıyor…")
-    enriched = compute_ratios(raw_df.copy())
+    enriched = compute_ratios(df.copy())
     model_input = enriched[SELECTED_FEATS].dropna()
     if model_input.empty:
-        raise gr.Error("Hiç analiz edilebilir satır kalmadı – oran hesaplanamadı.")
-
-    p(0.55, "Anahtarlar oluşturuluyor…")
-    public_key, secret_key = FHE_MODEL.keygen()
-
-    p(0.75, "Şifreli tahmin yapılıyor…")
-    y_enc = FHE_MODEL.run(FHE_MODEL.encrypt(model_input.values.astype(np.float32), public_key))
-    encrypted_pred_state.value = y_enc
-
-    return (
-        gr.update(value="### Tahmin (Şifreli)", visible=True),
-        gr.update(value="Gizli anahtarı kopyalayın, yapıştırın ve 'Çöz' deyin.", visible=True),
-        gr.update(value=_b64_dump(secret_key), visible=True),
-    )
-
-
-def decrypt_prediction(secret_key_b64: str):
-    if encrypted_pred_state.value is None:
-        raise gr.Error("Önce şifreli tahmini üretin.")
-    if not secret_key_b64:
-        raise gr.Error("Gizli anahtarı girin.")
-
-    secret_key = _b64_load(secret_key_b64)
-    class_codes = FHE_MODEL.decrypt(encrypted_pred_state.value, secret_key).astype(int).flatten()
-
-    # Map to human‑readable labels if encoder exists
-    if ENC is not None:
-        try:
-            labels = ENC.inverse_transform(class_codes)
-        except Exception:
-            labels = class_codes  # fallback to numeric
-    else:
-        labels = class_codes
-
-    return (
-        gr.update(value="### Tahmin Sonuçları", visible=True),
-        gr.update(value=pd.DataFrame({"Tahmin": labels}), visible=True),
-    )
-
-# -----------------------------------------------------------------------------
-# GRADIO UI
-# -----------------------------------------------------------------------------
-with gr.Blocks(theme=gr.themes.Default(primary_hue="blue")) as demo:
-    gr.Markdown("# Denetçi Görüşü Tahmini – FHE (Encoder Destekli)")
+        raise gr.Error("Oran hesaplanamadı; eksik sütunlar olabilir.")
 
-    with gr.Row():
-        file_input  = gr.File(file_types=[".xlsx", ".xls", ".xlsm"], label="Excel Yükleyin")
-        predict_btn = gr.Button("Şifrele & Tahmin Et", variant="primary")
+    pred_label = enc.inverse_transform(pipe.predict(model_input))
+    result_df = pd.DataFrame({"Tahmin Görüş Tipi": pred_label})
 
-    gr.Examples(EXAMPLE_XLSX, inputs=file_input, label="Örnek Dosyalar", cache_examples=False)
+    return result_df
 
-    enc_title   = gr.Markdown(visible=False)
-    enc_msg     = gr.Markdown(visible=False)
-    secret_key_output = gr.Textbox(label="Gizli Anahtar (kopyalayın)", visible=False, interactive=False)
-
-    decrypt_key_input = gr.Textbox(label="Gizli Anahtarı Yapıştırın", visible=False)
-    decrypt_btn       = gr.Button("Çöz", variant="secondary", visible=False)
-
-    pred_title  = gr.Markdown(visible=False)
-    pred_table  = gr.Dataframe(visible=False, wrap=True, show_label=False)
+# ---------------------------------------------------------------------------
+# GRADIO UI
+# ---------------------------------------------------------------------------
+with gr.Blocks(theme=gr.themes.Default(primary_hue="blue")) as demo:
+    gr.Markdown("# Denetçi Görüşü Tahmin Uygulaması (Pipe + Encoder)")
 
-    predict_btn.click(
-        encrypt_and_predict,
-        inputs=[file_input],
-        outputs=[enc_title, enc_msg, secret_key_output]
-    ).then(lambda: gr.update(visible=True), None, decrypt_key_input
-    ).then(lambda: gr.update(visible=True), None, decrypt_btn)
+    file_in = gr.File(file_types=[".xlsx", ".xls", ".xlsm"], label="Excel Yükleyin")
+    btn     = gr.Button("Tahmin Et", variant="primary")
+    out_tbl = gr.Dataframe(wrap=True, show_label=False)
 
-    decrypt_btn.click(
-        decrypt_prediction,
-        inputs=[decrypt_key_input],
-        outputs=[pred_title, pred_table]
-    )
+    btn.click(predict_opinion, inputs=file_in, outputs=out_tbl)
 
 if __name__ == "__main__":
     demo.launch()