Update app.py

app.py

@@ -1,11 +1,10 @@
 import streamlit as st
 import pickle
 from scipy import spatial
+import random
 import os
 
-# -------------------------------
-# 1. MODELİ YÜKLE
-# -------------------------------
+# --- 1. MODELİ YÜKLE ---
 @st.cache_resource
 def load_data():
     try:
@@ -17,9 +16,8 @@ def load_data():
 model_data = load_data()
 movie_dict = model_data['movie_dict'] if model_data else {}
 
-# -------------------------------
-# 2. TÜM OYUNCU DNA VERİTABANI
-# -------------------------------
+# --- 2. OYUNCU DNA VERİTABANI ---
+# Sıralama Stallone ile başlar
 tum_unlu_verileri = {
     "Sylvester Stallone": {"c": "Male / Erkek", "v": [0.9, 0.2, 0.1, 0.1, 0.1, 0.8]},
     "Robert De Niro": {"c": "Male / Erkek", "v": [0.2, 0.1, 0.1, 0.9, 0.1, 0.8]},
@@ -60,63 +58,97 @@ tum_unlu_verileri = {
     "Cameron Diaz": {"c": "Female / Kadın", "v": [0.1, 0.2, 0.95, 0.7, 0.1, 0.1]}
 }
 
-# -------------------------------
-# RESİM KLASÖRÜ
-# -------------------------------
-resim_klasoru = os.path.join(os.getcwd(), "40 resim")
-
-def klasordeki_unluleri_getir():
-    mevcut_unlular = {}
-    if os.path.exists(resim_klasoru):
-        dosyalar = [f.lower() for f in os.listdir(resim_klasoru)]
-        for isim, veri in tum_unlu_verileri.items():
-            search_pattern1 = isim.lower().replace(" ", "_")
-            search_pattern2 = isim.lower()
-            if any(search_pattern1 in d or search_pattern2 in d for d in dosyalar):
-                mevcut_unlular[isim] = veri
-    return mevcut_unlular
-
-unlu_verileri = klasordeki_unluleri_getir()
-
-# -------------------------------
-# UI
-# -------------------------------
+# --- ARAYÜZ AYARLARI ---
 st.set_page_config(page_title="CastMatch AI", layout="wide")
 
+@st.cache_data
+def get_image_path(actor_name):
+    if not actor_name or actor_name == "Choose... / Seçiniz...":
+        return None
+    ana_dizin = os.getcwd()
+    search_term = actor_name.lower().replace(" ", "_")
+    search_term_plain = actor_name.lower()
+    for f in os.listdir(ana_dizin):
+        f_lower = f.lower()
+        if f_lower.endswith(('.jpg', '.png', '.jpeg')):
+            if search_term in f_lower or search_term_plain in f_lower:
+                return os.path.join(ana_dizin, f)
+    return None
+
+# --- SOL PANEL (BİLGİLER BURADA) ---
 st.sidebar.title("🔍 Control Panel / Kontrol Paneli")
+st.sidebar.markdown("---")
 
 gender_choice = st.sidebar.radio(
-    "Kategori Seçin / Select Category",
+    "1. Select Category / Kategori Seçin:",
     ["Male / Erkek", "Female / Kadın"]
 )
 
-filtered_names = [name for name, data in unlu_verileri.items() if data['c'] == gender_choice]
-
-st.title("🎬 CastMatch AI")
-
-col1, col2 = st.columns([1,2])
-
-with col1:
-    selected_actor = st.selectbox("Oyuncu Seç / Select Actor", filtered_names if filtered_names else ["Yok"])
-
-    if selected_actor != "Yok":
-        for f in os.listdir(resim_klasoru):
-            if selected_actor.lower().replace(" ","_") in f.lower():
-                st.image(os.path.join(resim_klasoru, f))
-                break
-
-with col2:
-    if st.button("🚀 Eşleştir / Match"):
-        actor_v = unlu_verileri[selected_actor]['v']
-        results = []
-
-        for i in movie_dict:
-            dist = spatial.distance.cosine(actor_v, movie_dict[i][1][:6])
-            score = (1 - dist) * 100
-            results.append((movie_dict[i][0], score))
-
-        top = sorted(results, key=lambda x: x[1], reverse=True)[:5]
-
-        for film, score in top:
-            st.write(f"{film} → %{round(score,1)}")
-            st.progress(score/100)
+# Oyuncu listesi (Alfabetik değil, Stallone başa gelecek şekilde filtreleme)
+filtered_names = [name for name in tum_unlu_verileri.keys() if tum_unlu_verileri[name]['c'] == gender_choice]
+
+st.sidebar.markdown(f"### 📋 Available Cast / Mevcut Oyuncular")
+for n in filtered_names:
+    st.sidebar.write(f"• {n}")
+
+# --- ANA EKRAN ---
+st.title("🎬 CastMatch AI: Talent Matching System / Yetenek Eşleştirme Sistemi")
+st.markdown("#### Discover the perfect roles for global stars! / Dünya yıldızları için en ideal rolleri keşfedin!")
+st.markdown("---")
+
+col_actor, col_match = st.columns([1, 2])
+
+with col_actor:
+    st.subheader("👤 Pick an Actor / Oyuncu Seç")
+    options = ["Choose... / Seçiniz..."] + filtered_names
+    selected_actor = st.selectbox("Select from list / Listeden seçin:", options)
+    
+    # Brad Pitt ve diğerlerinde titremeyi önlemek için alanı ayırıyoruz
+    if selected_actor != "Choose... / Seçiniz...":
+        path = get_image_path(selected_actor)
+        if path:
+            st.image(path, caption=f"Profile: {selected_actor}", use_container_width=True)
+        else:
+            st.warning(f"⚠️ Resim bulunamadı: {selected_actor}")
+    else:
+        st.info("Please select an actor to see the profile. / Profili görmek için bir oyuncu seçin.")
+
+with col_match:
+    st.subheader("🎯 Best Career Matches / En İyi Kariyer Eşleşmeleri")
+    st.write("Comparing the star's DNA with movie roles... / Yıldızın DNA'sı film rolleriyle karşılaştırılıyor...")
+    
+    if st.button("🚀 Match and Recommend / Eşleştir ve Öner"):
+        if selected_actor == "Choose... / Seçiniz...":
+            st.warning("Please pick an actor first! / Lütfen önce bir oyuncu seçin!")
+        elif movie_dict:
+            actor_v = tum_unlu_verileri[selected_actor]['v']
+            results = []
+            
+            for i in movie_dict:
+                # Orijinal vektör analizi
+                dist = spatial.distance.cosine(actor_v, movie_dict[i][1][:6])
+                
+                # 11.5 skoru hatasını engellemek için mesafeyi 0-1 arasına hapsediyoruz
+                dist = max(0, min(1, dist))
+                
+                # Sıralama kararlılığı için minik bir gürültü
+                noise = random.uniform(0, 0.00001)
+                results.append((movie_dict[i][0], dist + noise))
+            
+            # En iyi 5 eşleşmeyi (en küçük mesafe) al
+            top_matches = sorted(results, key=lambda x: x[1])[:5]
+            
+            for i, (film, score) in enumerate(top_matches, 1):
+                # Skoru % cinsinden hesapla: (1 - mesafe) * 100
+                pct = (1 - score) * 100
+                # %0-%100 arası kalmasını garanti et
+                pct = max(0, min(100, pct))
+                
+                st.success(f"**{i}. {film}**")
+                st.write(f"Match Score / Uyum Skoru: **%{pct:.1f}**")
+                st.progress(pct / 100)
+        else:
+            st.error("Model dosyası eksik!")
+
+st.markdown("---")
+st.info("💡 **How it works? / Nasıl çalışır?**: This AI analyzes career vectors based on available local assets. / Bu yapay zeka kariyer vektörlerini analiz eder.")