Update app.py

app.py

@@ -5,99 +5,102 @@ from pyspark.ml.classification import LogisticRegressionModel
 from pyspark.ml.feature import VectorAssembler
 
 # --- 1. SAYFA AYARLARI (PAGE CONFIG) ---
-st.set_page_config(page_title="Heart Disease Predictor", page_icon="🫀", layout="wide")
-
-# Görsel stil ekleyelim (CSS)
-st.markdown("""
-    <style>
-    .main { background-color: #f5f7f9; }
-    .stButton>button { width: 100%; border-radius: 10px; height: 3em; background-color: #e63946; color: white; font-weight: bold; }
-    .stSuccess { background-color: #d8f3dc; }
-    </style>
-    """, unsafe_allow_html=True)
-
-# --- 2. SPARK VE MODEL BAŞLATMA ---
+st.set_page_config(page_title="Heart Predictor", page_icon="🫀", layout="wide")
+
+# Spark ve Modeli Başlat
 @st.cache_resource
-def initialize_spark_and_model():
-    # Spark Session
+def initialize_app():
     spark = SparkSession.builder \
-        .appName("HeartDiseaseApp") \
+        .appName("HeartApp") \
         .master("local[*]") \
         .config("spark.driver.bindAddress", "127.0.0.1") \
         .getOrCreate()
-    
-    # Model Loading
     model = LogisticRegressionModel.load("heart_model")
     return spark, model
 
 try:
-    spark, model = initialize_spark_and_model()
+    spark, model = initialize_app()
 except Exception as e:
     st.error(f"Error / Hata: {e}")
     st.stop()
 
-# --- 3. ÜST BAŞLIK VE AÇIKLAMA ---
+# --- 2. BAŞLIKLAR (HEADERS) ---
 st.title("🫀 Heart Disease Risk Prediction")
 st.subheader("Kalp Hastalığı Risk Tahmini")
-st.info("Fill in the patient data on the left and click 'Predict'. / Soldaki hasta verilerini doldurun ve 'Tahmin Et' butonuna basın.")
+
+st.markdown("---")
+
+# --- 3. HIZLI TEST BUTONLARI (QUICK SCENARIOS) ---
+st.markdown("### 🧪 Quick Test Scenarios / Hızlı Test Senaryoları")
+st.write("Click a button to auto-fill the form / Formu otomatik doldurmak için bir butona basın:")
+
+col_b1, col_b2 = st.columns(2)
+
+# Session state ile değerleri kontrol edelim (Butonlara basınca form güncellenir)
+if 'preset' not in st.session_state:
+    st.session_state.preset = "default"
+
+if col_b1.button("🟢 Load Low Risk (Healthy) / Düşük Risk (Sağlıklı)"):
+    st.session_state.preset = "low"
+if col_b2.button("🔴 Load High Risk (Patient) / Yüksek Risk (Hasta)"):
+    st.session_state.preset = "high"
+
+# Senaryo değerlerini tanımlayalım
+if st.session_state.preset == "low":
+    # Genç, sağlıklı değerler
+    d = [25, 0, 1, 110, 180, 0, 0, 180, 0, 0.0, 2, 0, 1]
+elif st.session_state.preset == "high":
+    # Yaşlı, riskli değerler (Yüksek Tansiyon, Oldpeak ve Damar Sayısı)
+    d = [65, 1, 0, 160, 290, 1, 2, 105, 1, 3.2, 1, 3, 3]
+else:
+    # Varsayılan değerler
+    d = [50, 1, 1, 120, 210, 0, 1, 145, 0, 1.0, 1, 0, 2]
+
+st.markdown("---")
 
 # --- 4. GİRİŞ ALANLARI (SIDEBAR) ---
-st.sidebar.header("📋 Patient Data / Hasta Verileri")
-
-def get_user_inputs():
-    # Sayısal girişler ve seçimler
-    age = st.sidebar.slider("Age / Yaş", 1, 100, 50)
-    sex = st.sidebar.radio("Sex / Cinsiyet", [1, 0], format_func=lambda x: "Male/Erkek" if x == 1 else "Female/Kadın")
-    cp = st.sidebar.selectbox("Chest Pain Type / Göğüs Ağrısı Tipi (0-3)", [0, 1, 2, 3])
-    trestbps = st.sidebar.number_input("Resting BP / Kan Basıncı (mm Hg)", 50, 250, 120)
-    chol = st.sidebar.number_input("Cholesterol / Kolesterol (mg/dl)", 100, 600, 200)
-    fbs = st.sidebar.radio("Fasting Blood Sugar > 120 / Şeker Yüksek mi?", [0, 1], format_func=lambda x: "Yes/Evet" if x == 1 else "No/Hayır")
-    restecg = st.sidebar.selectbox("Resting ECG / EKG Sonucu (0-2)", [0, 1, 2])
-    thalach = st.sidebar.slider("Max Heart Rate / Maks. Kalp Hızı", 50, 220, 150)
-    exang = st.sidebar.radio("Exercise Induced Angina / Egzersiz Ağrısı?", [0, 1], format_func=lambda x: "Yes/Evet" if x == 1 else "No/Hayır")
-    oldpeak = st.sidebar.number_input("Oldpeak (ST Depression)", 0.0, 10.0, 1.0, step=0.1)
-    slope = st.sidebar.selectbox("Slope of ST Segment (0-2)", [0, 1, 2])
-    ca = st.sidebar.selectbox("Major Vessels / Damar Sayısı (0-4)", [0, 1, 2, 3, 4])
-    thal = st.sidebar.selectbox("Thalassemia / Thal (0-3)", [0, 1, 2, 3])
-    
-    data = {
+st.sidebar.header("📋 Input Data / Veri Girişi")
+
+age = st.sidebar.slider("Age / Yaş", 1, 100, d[0])
+sex = st.sidebar.radio("Sex / Cinsiyet", [1, 0], index=(0 if d[1]==1 else 1), format_func=lambda x: "Male/Erkek (1)" if x == 1 else "Female/Kadın (0)")
+cp = st.sidebar.selectbox("Chest Pain / Göğüs Ağrısı (0-3)", [0, 1, 2, 3], index=d[2])
+trestbps = st.sidebar.number_input("Blood Pressure / Tansiyon", 50, 250, d[3])
+chol = st.sidebar.number_input("Cholesterol / Kolesterol", 100, 600, d[4])
+fbs = st.sidebar.selectbox("Fasting Sugar / Şeker > 120", [0, 1], index=d[5], format_func=lambda x: "Yes/Evet (1)" if x == 1 else "No/Hayır (0)")
+restecg = st.sidebar.selectbox("Resting ECG / EKG (0-2)", [0, 1, 2], index=d[6])
+thalach = st.sidebar.slider("Max Heart Rate / Maks. Kalp Hızı", 50, 220, d[7])
+exang = st.sidebar.radio("Exercise Angina / Egzersiz Ağrısı", [0, 1], index=d[8], format_func=lambda x: "Yes/Evet (1)" if x == 1 else "No/Hayır (0)")
+oldpeak = st.sidebar.number_input("Oldpeak (ST Depression)", 0.0, 10.0, d[9], step=0.1)
+slope = st.sidebar.selectbox("Slope (0-2)", [0, 1, 2], index=d[10])
+ca = st.sidebar.selectbox("Major Vessels / Damar Sayısı (0-4)", [0, 1, 2, 3, 4], index=d[11])
+thal = st.sidebar.selectbox("Thalassemia / Thal (0-3)", [0, 1, 2, 3], index=d[12])
+
+# --- 5. TAHMİN BÖLÜMÜ (PREDICTION) ---
+if st.button("🚀 RUN ANALYSIS / ANALİZİ ÇALIŞTIR"):
+    # Spark için veri hazırla
+    input_data = spark.createDataFrame([{
         'age': age, 'sex': sex, 'cp': cp, 'trestbps': trestbps, 'chol': chol,
         'fbs': fbs, 'restecg': restecg, 'thalach': thalach, 'exang': exang,
         'oldpeak': oldpeak, 'slope': slope, 'ca': ca, 'thal': thal
-    }
-    return spark.createDataFrame([data])
-
-input_df = get_user_inputs()
-
-# --- 5. TAHMİN VE SONUÇ EKRANI ---
-col1, col2 = st.columns([1, 1])
-
-with col1:
-    st.markdown("### User Profile / Kullanıcı Profili")
-    st.write(input_df.toPandas().T.rename(columns={0: 'Values'}))
-
-with col2:
-    st.markdown("### Prediction / Tahmin")
-    if st.button("RUN ANALYSIS / ANALİZİ ÇALIŞTIR"):
-        # Veriyi hazırla
-        feature_cols = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal']
-        assembler = VectorAssembler(inputCols=feature_cols, outputCol="features")
-        processed_data = assembler.transform(input_df)
-        
-        # Model tahmini
-        prediction_output = model.transform(processed_data)
-        result = prediction_output.select("prediction").collect()[0][0]
-        prob = prediction_output.select("probability").collect()[0][0]
-
-        # Sonuç Görselleştirme
-        if result == 1.0:
-            st.error(f"### ⚠️ HIGH RISK / YÜKSEK RİSK")
-            st.metric("Risk Probability / Risk Olasılığı", f"%{round(prob[1]*100, 2)}")
-            st.write("Please consult a doctor. / Lütfen bir doktora danışın.")
-        else:
-            st.success(f"### ✅ LOW RISK / DÜŞÜK RİSK")
-            st.metric("Healthy Probability / Sağlıklı Olasılığı", f"%{round(prob[0]*100, 2)}")
-            st.write("Results look stable. / Sonuçlar stabil görünüyor.")
+    }])
+    
+    # Özellikleri vektöre çevir
+    feature_cols = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal']
+    assembler = VectorAssembler(inputCols=feature_cols, outputCol="features")
+    final_df = assembler.transform(input_data)
+    
+    # Tahmin yap
+    prediction = model.transform(final_df)
+    res = prediction.select("prediction").collect()[0][0]
+    prob = prediction.select("probability").collect()[0][0]
+
+    st.markdown("### 📊 Result / Sonuç:")
+    if res == 1.0:
+        st.error(f"🚨 **HIGH RISK / YÜKSEK RİSK** (Prob: %{round(prob[1]*100, 2)})")
+        st.write("According to the model, heart disease risk is high. / Modele göre kalp hastalığı riski yüksek.")
+    else:
+        st.success(f"💚 **LOW RISK / DÜŞÜK RİSK** (Prob: %{round(prob[0]*100, 2)})")
+        st.write("According to the model, heart disease risk is low. / Modele göre risk düşük görünmektedir.")
 
 st.divider()
-st.caption("Disclaimer: This AI model is for educational purposes. / Bu yapay zeka modeli eğitim amaçlıdır.")
+st.caption("Disclaimer: For educational purposes only. / Tıbbi tavsiye niteliği taşımaz.")