Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,18 +3,15 @@ import pandas as pd
 import plotly.graph_objects as go
 import matplotlib.pyplot as plt
 
-# Sayfa Genişliği ve Ayarlar
+# Sayfa Ayarları
 st.set_page_config(page_title="World Data Analysis", layout="wide")
 
-# --- SIDEBAR (SOL TARAF) ---
+# --- SIDEBAR (SOL TARAF) - SENİN METNİN ---
 st.sidebar.header("📊 Analysis Notes / Analiz Notları")
 
-# İngilizce Notlar (Üstte)
+# İngilizce Notlar
 st.sidebar.markdown("""
-**EN:** Analysis shows that developed countries have high GDP and internet usage. 
-It has also been observed that CO2 emissions are high in these countries. 
-In low-income countries, energy and internet usage are found to be lower. 
-In some cases, an inverse relationship between forest rate and CO2 emissions has been seen.
+**EN:** Analysis shows that developed countries have high GDP and internet usage. It has also been observed that CO2 emissions are high in these countries. In low-income countries, energy and internet usage are found to be lower. In some cases, an inverse relationship between forest rate and CO2 emissions has been seen.
 
 **Examples:**
 * **High GDP & CO2:** USA, China, Germany.
@@ -23,12 +20,9 @@ In some cases, an inverse relationship between forest rate and CO2 emissions has
 
 st.sidebar.markdown("---") # Ayırıcı çizgi
 
-# Türkçe Notlar (Altta)
+# Türkçe Notlar
 st.sidebar.markdown("""
-**TR:** Analiz sonucunda gelişmiş ülkelerde GDP ve internet kullanımının yüksek olduğu görülmüştür. 
-Aynı zamanda bu ülkelerde CO2 emisyonunun da yüksek olduğu tespit edilmiştir. 
-Düşük gelirli ülkelerde ise enerji ve internet kullanımının daha düşük olduğu gözlemlenmiştir. 
-Orman oranı ile CO2 emisyonu arasında bazı durumlarda ters ilişki olduğu görülmüştür.
+**TR:** Analiz sonucunda gelişmiş ülkelerde GDP ve internet kullanımının yüksek olduğu görülmüştür. Aynı zamanda bu ülkelerde CO2 emisyonunun da yüksek olduğu tespit edilmiştir. Düşük gelirli ülkelerde ise enerji ve internet kullanımının daha düşük olduğu gözlemlenmiştir. Orman oranı ile CO2 emisyonu arasında bazı durumlarda ters ilişki olduğu görülmüştür.
 
 **Örnekler:**
 * **Yüksek GDP & CO2:** ABD (USA), Çin (China), Almanya.
@@ -37,23 +31,28 @@ Orman oranı ile CO2 emisyonu arasında bazı durumlarda ters ilişki olduğu g
 
 # --- DATA LOAD ---
 try:
-    df = pd.read_csv("us_pollution_cleaned.csv") # Dosya adını kontrol et!
+    df = pd.read_csv("us_pollution_cleaned.csv")
 except:
     st.error("Dosya bulunamadı! / File not found!")
     st.stop()
 
-# GDP_LEVEL Sütununu Oluşturma (Emin olmak için)
-if 'GDP' in df.columns and 'GDP_LEVEL' not in df.columns:
-    df['GDP_LEVEL'] = pd.cut(df['GDP'], bins=[0, 2000, 10000, 100000], labels=['Low', 'Medium', 'High'])
+# Sütun isimlerini veriye göre eşleştirme
+df = df.rename(columns={
+    'country': 'COUNTRY',
+    'GDP: Gross domestic product (million current US$)': 'GDP',
+    'CO2 emission estimates (million tons/tons per capita)': 'CO2'
+})
+
+# GDP_LEVEL Sütununu Güncelleme
+if 'GDP' in df.columns:
+    df['GDP_LEVEL'] = pd.cut(df['GDP'], bins=[0, 50000, 1000000, 30000000], labels=['Low', 'Medium', 'High'])
 
 # --- ANA SAYFA BAŞLIK ---
 st.title("🌍 World Data Analysis Dashboard / Dünya Veri Analizi Paneli")
 st.write("Veri Analizi ve Görselleştirme / Data Analysis and Visualization")
 st.divider()
 
-# ==========================================
-# --- 1. HARİTA (EN ÜSTTE VE GENİŞ) ---
-# ==========================================
+# --- 1. HARİTA ---
 st.subheader("🗺️ World GDP Map / Dünya GSYİH Haritası")
 fig_map = go.Figure(data=dict(
     type="choropleth",
@@ -63,39 +62,27 @@ fig_map = go.Figure(data=dict(
     z=df["GDP"],
     colorbar={'title': "GDP"}
 ))
-# Haritayı biraz daha basık yapıyoruz (yüksekliği 350)
-fig_map.update_layout(height=350, margin={"r":0,"t":0,"l":0,"b":0})
+fig_map.update_layout(height=400, margin={"r":0,"t":0,"l":0,"b":0})
 st.plotly_chart(fig_map, use_container_width=True)
 
 st.divider()
 
-# ==========================================
-# --- 2. KÜÇÜK GRAFİKLER (ALTTAN VE YAN YANA) ---
-# ==========================================
+# --- 2. ALT GRAFİKLER (YAN YANA) ---
 col1, col2 = st.columns(2)
 
 with col1:
     st.subheader("📊 GDP vs CO2")
-    # figsize=(4, 3) ile çok daha küçük bir ebat
-    fig1, ax1 = plt.subplots(figsize=(4, 3)) 
-    ax1.scatter(df['GDP'], df['CO2'], color='royalblue', alpha=0.6, s=15) # s=15 noktaları küçültür
-    ax1.set_xlabel("GDP", fontsize=10)
-    ax1.set_ylabel("CO2", fontsize=10)
-    # Eksen yazılarını küçültme
-    ax1.tick_params(axis='both', which='major', labelsize=8)
+    fig1, ax1 = plt.subplots(figsize=(5, 4)) 
+    ax1.scatter(df['GDP'], df['CO2'], color='royalblue', alpha=0.6, s=20)
+    ax1.set_xlabel("GDP")
+    ax1.set_ylabel("CO2")
     st.pyplot(fig1)
 
 with col2:
     st.subheader("Pie Chart / Gelir Seviyesi Dağılımı")
-    # figsize=(4, 3) ile çok daha küçük bir ebat
-    fig2, ax2 = plt.subplots(figsize=(4, 3))
-    df['GDP_LEVEL'].value_counts().plot.pie(
-        autopct='%1.1f%%', 
-        ax=ax2, 
-        colors=['#ff9999','#66b3ff','#99ff99'],
-        textprops={'fontsize': 8} # Yüzde yazılarını küçültür
-    )
-    ax2.set_ylabel("") # Yan taraftaki etiketi siler
+    fig2, ax2 = plt.subplots(figsize=(5, 4))
+    df_pie = df['GDP_LEVEL'].value_counts()
+    ax2.pie(df_pie, labels=df_pie.index, autopct='%1.1f%%', colors=['#ff9999','#66b3ff','#99ff99'])
     st.pyplot(fig2)
 
 st.divider()