Update app.py

app.py

@@ -28,38 +28,28 @@ NEUTRAL_COLOR = "#94A3B8"
 TEMPLATE  = "plotly_white"
 CACHE = {}
 
-# ================= Date Presets =================
+# ================= Date Presets (แก้ไขให้ทำงานถูกต้อง) =================
 DATE_PRESETS = {
     "ทั้งหมด": None,
     "7 วันล่าสุด": 7,
+    "15 วันล่าสุด": 15,
     "30 วันล่าสุด": 30,
-    "90 วันล่าสุด": 90,
-    "เดือนนี้": "current_month",
-    "เดือนที่แล้ว": "last_month"
+    "90 วันล่าสุด": 90
 }
 
 def apply_date_preset(df, date_col, preset_key):
     """กรองข้อมูลตาม preset ที่เลือก"""
-    if preset_key == "ทั้งหมด":
+    if preset_key == "ทั้งหมด" or preset_key not in DATE_PRESETS:
         return df
     
-    now = pd.Timestamp.now()
-    
-    if isinstance(DATE_PRESETS[preset_key], int):
-        days = DATE_PRESETS[preset_key]
-        cutoff = now - pd.Timedelta(days=days)
-        return df[df[date_col] >= cutoff]
-    
-    elif DATE_PRESETS[preset_key] == "current_month":
-        start = now.replace(day=1, hour=0, minute=0, second=0, microsecond=0)
-        return df[df[date_col] >= start]
+    days = DATE_PRESETS[preset_key]
+    if days is None:
+        return df
     
-    elif DATE_PRESETS[preset_key] == "last_month":
-        end_last = now.replace(day=1, hour=0, minute=0, second=0, microsecond=0)
-        start_last = (end_last - pd.Timedelta(days=1)).replace(day=1)
-        return df[(df[date_col] >= start_last) & (df[date_col] < end_last)]
+    now = pd.Timestamp.now()
+    cutoff = now - pd.Timedelta(days=days)
     
-    return df
+    return df[df[date_col] >= cutoff]
 
 # ================= Loader =================
 def _import_models():
@@ -206,20 +196,26 @@ def make_summary_chart(df, chart_type="pie"):
     
     return fig, info
 
-def _resample_counts(df, date_col, freq):
-    """รวมข้อมูลตามช่วงเวลา"""
+def _resample_counts(df, date_col, freq="auto"):
+    """รวมข้อมูลตามช่วงเวลา - auto-detect frequency"""
+    if freq == "auto":
+        # Auto-detect ตามช่วงเวลาของข้อมูล
+        date_range = (df[date_col].max() - df[date_col].min()).days
+        if date_range <= 30:
+            freq = "D"  # รายวัน
+        elif date_range <= 90:
+            freq = "W"  # รายสัปดาห์
+        else:
+            freq = "M"  # รายเดือน
+    
     g = df.groupby([pd.Grouper(key=date_col, freq=freq),"label"]).size().unstack(fill_value=0)
     for c in ["negative","positive"]:
         if c not in g.columns: g[c]=0
-    return g[["negative","positive"]].sort_index()
+    return g[["negative","positive"]].sort_index(), freq
 
-def make_time_chart(df, date_col, freq, use_smooth):
+def make_time_chart(df, date_col, freq="auto"):
     """กราฟแนวโน้มตามเวลา"""
-    ts = _resample_counts(df, date_col, freq)
-    
-    if use_smooth:
-        window = 7 if freq=="D" else (4 if freq=="W" else 3)
-        ts = ts.rolling(window, min_periods=1).mean()
+    ts, actual_freq = _resample_counts(df, date_col, freq)
     
     fig = go.Figure()
     fig.add_scatter(
@@ -238,10 +234,9 @@ def make_time_chart(df, date_col, freq, use_smooth):
     )
     
     freq_map = {"D": "รายวัน", "W": "รายสัปดาห์", "M": "รายเดือน"}
-    smooth_text = " (ปรับให้เรียบแล้ว)" if use_smooth else ""
     
     fig.update_layout(
-        title=f"📈 แนวโน้มรีวิวตามเวลา ({freq_map[freq]}){smooth_text}",
+        title=f"📈 แนวโน้มรีวิวตามเวลา ({freq_map[actual_freq]})",
         template=TEMPLATE,
         xaxis_title="วันที่",
         yaxis_title="จำนวนรีวิว",
@@ -251,7 +246,7 @@ def make_time_chart(df, date_col, freq, use_smooth):
     
     return fig
 
-def make_shop_analysis(df, shop_col, date_col=None, freq="D"):
+def make_shop_analysis(df, shop_col, date_col=None, freq="auto"):
     """วิเคราะห์แยกตามร้าน/สาขา"""
     
     # 1. สรุปภาพรวมแต่ละร้าน
@@ -294,40 +289,45 @@ def make_shop_analysis(df, shop_col, date_col=None, freq="D"):
         height=450
     )
     
-    # 3. กราฟแนวโน้มตามเวลาแยกร้าน (ถ้ามี date_col)
-    fig_trend = None
+    # 3. Stacked bar แสดง Shop ตามช่วงเวลา (ถ้ามี date_col)
+    fig_time_shop = None
     if date_col and date_col in df.columns:
-        fig_trend = go.Figure()
+        # Auto-detect frequency
+        if freq == "auto":
+            date_range = (df[date_col].max() - df[date_col].min()).days
+            if date_range <= 30:
+                freq = "D"
+            elif date_range <= 90:
+                freq = "W"
+            else:
+                freq = "M"
         
-        for shop in shops[:5]:  # แสดงแค่ 5 ร้านแรก
-            shop_df = df[df[shop_col] == shop].copy()
-            if len(shop_df) == 0:
-                continue
-            
-            # คำนวณ positive ratio ตามเวลา
-            shop_df['pos_score'] = (shop_df['label'] == 'positive').astype(int)
-            ts = shop_df.groupby(pd.Grouper(key=date_col, freq=freq))['pos_score'].mean() * 100
+        fig_time_shop = go.Figure()
+        
+        # เตรียมข้อมูลแยกตามร้าน
+        for shop in shops:
+            shop_df = df[df[shop_col] == shop]
+            # รวมตามเวลา
+            ts = shop_df.groupby(pd.Grouper(key=date_col, freq=freq)).size()
             
-            fig_trend.add_scatter(
-                x=ts.index, 
+            fig_time_shop.add_bar(
+                x=ts.index,
                 y=ts.values,
-                mode='lines+markers',
-                name=shop,
-                line=dict(width=2),
-                marker=dict(size=5)
+                name=shop
             )
         
         freq_map = {"D": "รายวัน", "W": "รายสัปดาห์", "M": "รายเดือน"}
-        fig_trend.update_layout(
-            title=f"📊 แนวโน้ม % รีวิวเชิงบวกแยกตามร้าน ({freq_map[freq]})",
+        fig_time_shop.update_layout(
+            title=f"📊 จำนวนรีวิวแต่ละร้านตามเวลา ({freq_map[freq]})",
+            barmode='stack',
             template=TEMPLATE,
             xaxis_title="วันที่",
-            yaxis_title="% รีวิวเชิงบวก",
+            yaxis_title="จำนวนรีวิว",
             hovermode='x unified',
             height=450
         )
     
-    return summary_df, fig_compare, fig_trend
+    return summary_df, fig_compare, fig_time_shop
 
 # ================= Core Predict =================
 def _predict_batch(texts, model_name, batch_size=32):
@@ -379,9 +379,6 @@ def on_file_change(file_obj):
                 gr.update(choices=[],value=None),
                 gr.update(choices=[],value=None),
                 gr.update(visible=False),
-                gr.update(visible=False),
-                gr.update(visible=False),
-                gr.update(visible=False),
                 "⚠️ กรุณาอัปโหลดไฟล์ CSV")
     
     try:
@@ -410,9 +407,6 @@ def on_file_change(file_obj):
                 gr.update(choices=date_candidates if date_candidates else ["ไม่มี"], value=date_col),
                 gr.update(choices=shop_candidates if shop_candidates else ["ไม่มี"], value=shop_col),
                 gr.update(visible=has_date),
-                gr.update(visible=has_date),
-                gr.update(visible=has_shop),
-                gr.update(visible=has_shop),
                 note)
         
     except Exception as e:
@@ -420,13 +414,9 @@ def on_file_change(file_obj):
                 gr.update(choices=[],value=None),
                 gr.update(choices=[],value=None),
                 gr.update(visible=False),
-                gr.update(visible=False),
-                gr.update(visible=False),
-                gr.update(visible=False),
                 f"❌ ไม่สามารถอ่านไฟล์ได้:\n{str(e)}")
 
-def predict_csv(file_obj, model_choice, text_col, date_col, shop_col, 
-                date_preset, freq, use_smooth, chart_type):
+def predict_csv(file_obj, model_choice, text_col, date_col, shop_col, date_preset, chart_type):
     """วิเคราะห์รีวิวจากไฟล์ CSV"""
     if file_obj is None: 
         return (pd.DataFrame(), go.Figure(), go.Figure(), 
@@ -436,6 +426,7 @@ def predict_csv(file_obj, model_choice, text_col, date_col, shop_col,
     
     try:
         df_raw = pd.read_csv(file_obj.name)
+        total_rows = len(df_raw)
         cols = list(df_raw.columns)
         
         # ตรวจสอบ text column
@@ -444,23 +435,29 @@ def predict_csv(file_obj, model_choice, text_col, date_col, shop_col,
         
         # ดึงข้อความและทำนาย
         texts = [_norm_text(v) for v in df_raw[text_col].tolist()]
-        texts = [t for t in texts if _is_substantive_text(t)]
+        texts_clean = [t for t in texts if _is_substantive_text(t)]
+        skipped = total_rows - len(texts_clean)
         
-        if not texts: 
+        if not texts_clean: 
             return (pd.DataFrame(), go.Figure(), go.Figure(),
                     gr.update(visible=False), gr.update(visible=False),
                     pd.DataFrame(), gr.update(visible=False),
                     "❌ ไม่พบข้อความที่สามารถวิเคราะห์ได้ในไฟ��์", None)
         
-        results = _predict_batch(texts, model_choice)
+        results = _predict_batch(texts_clean, model_choice)
         df_out = pd.DataFrame(results)
         
         # กราฟสรุปหลัก
         fig_main, info = make_summary_chart(df_out, chart_type)
         
+        # เพิ่มข้อมูลแถวที่ข้าม
+        if skipped > 0:
+            info += f"\n\n⚠️ **ข้ามแถวที่ไม่มีข้อความ:** {skipped} แถว (ใช้ {len(texts_clean)}/{total_rows} แถว)"
+        
         # กราฟตามเวลา
         fig_time = go.Figure()
         show_time = False
+        df_time_filtered = None
         
         if date_col and date_col in cols and date_col != "ไม่มี":
             dts = _to_datetime_safe(df_raw[date_col])
@@ -469,36 +466,35 @@ def predict_csv(file_obj, model_choice, text_col, date_col, shop_col,
                 df_time["__dt__"] = dts
                 df_time = df_time.dropna(subset=["__dt__"])
                 
-                # ใช้ date preset
-                df_time = apply_date_preset(df_time, "__dt__", date_preset)
+                # ใช้ date preset - แก้ bug ตรงนี้!
+                df_time_filtered = apply_date_preset(df_time, "__dt__", date_preset)
                 
-                if len(df_time) > 0:
-                    fig_time = make_time_chart(df_time, "__dt__", freq, use_smooth)
+                if len(df_time_filtered) > 0:
+                    fig_time = make_time_chart(df_time_filtered, "__dt__")
                     show_time = True
+                    
+                    # แสดงข้อมูลช่วงเวลาที่กรอง
+                    if date_preset != "ทั้งหมด":
+                        info += f"\n\n📅 **ช่วงเวลาที่แสดง:** {date_preset} ({len(df_time_filtered)} รีวิว)"
         
         # วิเคราะห์ตาม Shop
         shop_summary_df = pd.DataFrame()
         fig_shop = go.Figure()
-        fig_shop_trend = None
+        fig_shop_time = None
         show_shop = False
         
         if shop_col and shop_col in cols and shop_col != "ไม่มี":
             df_with_shop = df_out.copy()
             df_with_shop[shop_col] = df_raw[shop_col]
             
-            # ถ้ามี date ด้วย ให้ใส่เข้าไป
-            if date_col and date_col in cols and date_col != "ไม่มี":
-                dts = _to_datetime_safe(df_raw[date_col])
-                if dts.notna().any():
-                    df_with_shop["__dt__"] = dts
-                    df_with_shop = df_with_shop.dropna(subset=["__dt__"])
-                    df_with_shop = apply_date_preset(df_with_shop, "__dt__", date_preset)
-                    
-                    shop_summary_df, fig_shop, fig_shop_trend = make_shop_analysis(
-                        df_with_shop, shop_col, "__dt__", freq
-                    )
-                else:
-                    shop_summary_df, fig_shop, _ = make_shop_analysis(df_with_shop, shop_col)
+            # ถ้ามี date ใช้ข้อมูลที่ filter แล้ว
+            if df_time_filtered is not None and len(df_time_filtered) > 0:
+                df_with_shop["__dt__"] = df_time_filtered["__dt__"]
+                df_with_shop = df_with_shop.dropna(subset=["__dt__"])
+                
+                shop_summary_df, fig_shop, fig_shop_time = make_shop_analysis(
+                    df_with_shop, shop_col, "__dt__"
+                )
             else:
                 shop_summary_df, fig_shop, _ = make_shop_analysis(df_with_shop, shop_col)
             
@@ -513,7 +509,7 @@ def predict_csv(file_obj, model_choice, text_col, date_col, shop_col,
                 gr.update(visible=show_time, value=fig_time),
                 gr.update(visible=show_shop, value=fig_shop),
                 shop_summary_df,
-                gr.update(visible=show_shop and fig_shop_trend is not None, value=fig_shop_trend),
+                gr.update(visible=show_shop and fig_shop_time is not None, value=fig_shop_time),
                 info, path)
         
     except Exception as e:
@@ -616,6 +612,17 @@ with gr.Blocks(title="Thai Sentiment Analysis", theme=gr.themes.Soft()) as demo:
         with gr.Row():
             date_preset = gr.Radio(
                 choices=list(DATE_PRESETS.keys()),
+                value="ทั้งหมด",
+                label="📆 ช่วงเวลาที่ต้องการวิเคราะห์",
+                info="เลือกช่วงเวลาที่ต้องการดูข้อมูล",
+                visible=False
+            )
+            
+            chart_type_2 = gr.Radio(
+                choices=[("วงกลม", "pie"), ("แท่ง", "bar")],
+                value="pie",
+                label="📊 รูปแบบกราฟสรุป"
+            )(DATE_PRESETS.keys()),
                 value="ทั้งหมด",
                 label="📆 ช่วงเวลาที่ต้องการวิเคราะห์",
                 visible=False
@@ -659,14 +666,11 @@ with gr.Blocks(title="Thai Sentiment Analysis", theme=gr.themes.Soft()) as demo:
         
         result_time = gr.Plot(label="📈 กราฟแนวโน้มตามเวลา", visible=False)
         
-        with shop_analysis_row:
-            gr.Markdown("### 🏪 วิเคราะห์แยกตามร้าน/สาขา")
+        gr.Markdown("### 🏪 วิเคราะห์แยกตามร้าน/สาขา")
         
-        shop_summary = gr.Dataframe(label="📊 สรุปแต่ละร้าน")
+        shop_summary = gr.Dataframe(label="📊 สรุปแต่ละร้าน", visible=False)
         result_shop = gr.Plot(label="🏪 เปรียบเทียบรีวิวแต่ละร้าน", visible=False)
-        
-        with shop_trend_row:
-            result_shop_trend = gr.Plot(label="📈 แนวโน้ม % เชิงบวกแยกตามร้าน", visible=False)
+        result_shop_trend = gr.Plot(label="📊 รีวิวแต่ละร้านตามช่วงเวลา (Stacked Bar)", visible=False)
         
         download_file = gr.File(label="💾 ดาวน์โหลดผลลัพธ์ (CSV)")
         
@@ -675,14 +679,13 @@ with gr.Blocks(title="Thai Sentiment Analysis", theme=gr.themes.Soft()) as demo:
             on_file_change,
             [file_input],
             [text_col_dd, date_col_dd, shop_col_dd, 
-             date_preset, freq, use_smooth, 
-             shop_analysis_row, detect_note]
+             date_preset, detect_note]
         )
         
         predict_btn_2.click(
             predict_csv,
             [file_input, model_radio, text_col_dd, date_col_dd, shop_col_dd,
-             date_preset, freq, use_smooth, chart_type_2],
+             date_preset, chart_type_2],
             [result_df_2, result_chart_2, result_time,
              result_time, result_shop,
              shop_summary, result_shop_trend,