Update src/streamlit_app.py

src/streamlit_app.py

@@ -2,68 +2,108 @@ import streamlit as st
 import pandas as pd
 import joblib
 import matplotlib.pyplot as plt
+import os
 
 # --------------------------------------
-# 1️⃣ Load Files & Data Cleaning / Dosyaları Yükle ve Temizle
+# 🎨 PAGE CONFIG
+# --------------------------------------
+st.set_page_config(page_title="Spotify Clustering", layout="wide")
+
+# --------------------------------------
+# 🔧 AUTO PATH (LOCAL + CLOUD FIX)
+# --------------------------------------
+def get_path(filename):
+    base_dir = os.path.dirname(os.path.abspath(__file__))
+
+    local_path = os.path.join(base_dir, filename)
+    parent_path = os.path.join(base_dir, "..", filename)
+
+    if os.path.exists(local_path):
+        return local_path
+    elif os.path.exists(parent_path):
+        return parent_path
+    else:
+        st.error(f"{filename} bulunamadı!")
+        st.stop()
+
+DATA_PATH = get_path("spotify_clustered.csv")
+MODEL_PATH = get_path("kmeans_music_model.pkl")
+SCALER_PATH = get_path("scaler_music.pkl")
+
+# --------------------------------------
+# 📂 LOAD DATA (CACHE)
 # --------------------------------------
 @st.cache_data
 def load_data():
-    # Kendi kaydettiğin CSV dosyan
-    df = pd.read_csv("spotify_clustered.csv")
-    
-    # Gereksiz/Teknik sütunları temizle (Görünümü güzelleştirir)
+    df = pd.read_csv(DATA_PATH)
+
     unnecessary_cols = ['Unnamed: 0', 'track_id', 'album_name', 'explicit']
     df_display = df.drop(columns=[c for c in unnecessary_cols if c in df.columns])
-    
+
     return df, df_display
 
-# Dosyaları yükle
+@st.cache_resource
+def load_model():
+    model = joblib.load(MODEL_PATH)
+    scaler = joblib.load(SCALER_PATH)
+    return model, scaler
+
 df, df_display = load_data()
-model = joblib.load("kmeans_music_model.pkl")
-scaler = joblib.load("scaler_music.pkl")
+model, scaler = load_model()
 
 # --------------------------------------
-# 2️⃣ Page Config / Sayfa Ayarları (Titremeyi önlemek için geniş mod)
+# 🧠 SESSION STATE (NO FLICKER)
 # --------------------------------------
-st.set_page_config(page_title="Spotify Clusters", layout="wide")
-st.title("🎵 Spotify Music Clustering / Müzik Kümeleme Analizi")
+if "prediction" not in st.session_state:
+    st.session_state.prediction = None
+    st.session_state.samples = None
+
+# --------------------------------------
+# 🏷️ TITLE
+# --------------------------------------
+st.title("🎵 Spotify Music Clustering / Spotify Müzik Kümeleme")
 st.markdown("---")
 
 # --------------------------------------
-# 3️⃣ Dataset Preview / Veri Seti Önizleme
+# 📄 DATA PREVIEW
 # --------------------------------------
 st.subheader("📄 Dataset Preview / Veri Önizleme")
-st.write("Cleaned data for analysis / Analiz için temizlenmiş veri:")
 st.dataframe(df_display.head(10), use_container_width=True)
 
 # --------------------------------------
-# 4️⃣ Visualizations / Görselleştirmeler (Titremeyi engelleyen yapı)
+# 📊 VISUALS
 # --------------------------------------
 col1, col2 = st.columns(2)
 
 with col1:
     st.subheader("📊 Cluster Distribution / Küme Dağılımı")
-    st.bar_chart(df['cluster'].value_counts())
+    st.bar_chart(df['cluster'].value_counts(), use_container_width=True)
 
 with col2:
     st.subheader("🎯 Feature Analysis / Özellik Analizi")
-    # Grafiği açıkça tanımlıyoruz ve her seferinde kapatıyoruz
-    fig, ax = plt.subplots(figsize=(8, 5))
-    scatter = ax.scatter(df['danceability'], df['energy'], c=df['cluster'], cmap='viridis', alpha=0.6)
+
+    fig, ax = plt.subplots(figsize=(6, 4))
+    scatter = ax.scatter(
+        df['danceability'],
+        df['energy'],
+        c=df['cluster'],
+        cmap='viridis',
+        alpha=0.6
+    )
+
     ax.set_xlabel("Danceability / Dans Edilebilirlik")
     ax.set_ylabel("Energy / Enerji")
-    plt.colorbar(scatter, label="Cluster / Küme")
-    
-    # Titremeyi önlemek için clear_figure=True kullanıyoruz
+
+    plt.colorbar(scatter, ax=ax)
+
     st.pyplot(fig, clear_figure=True)
-    plt.close(fig) # Belleği boşalt
+    plt.close(fig)
 
 # --------------------------------------
-# 5️⃣ Prediction Section / Tahmin Bölümü
+# 🤖 PREDICTION
 # --------------------------------------
 st.divider()
 st.subheader("🤖 Predict New Song Cluster / Yeni Şarkı Tahmini")
-st.info("Adjust the sliders to see which cluster a song belongs to / Şarkının hangi kümeye ait olduğunu görmek için sürgüleri ayarlayın.")
 
 c1, c2, c3 = st.columns(3)
 
@@ -78,34 +118,35 @@ with c2:
     tempo = st.slider("Tempo / Tempo", 0.0, 250.0, 120.0)
 
 with c3:
-    # Kaggle'da eğittiğin 7. özelliği buraya ekledik (Hata almamak için)
     speech = st.slider("Speechiness / Konuşma Oranı", 0.0, 1.0, 0.1)
 
 if st.button("Predict Cluster / Kümeyi Tahmin Et ✨"):
-    # SIRALAMA: Kaggle'daki modelin beklediği sırayla veriyoruz
     new_data = [[pop, dur, dance, energy, loud, tempo, speech]]
-    
+
     try:
         new_data_scaled = scaler.transform(new_data)
         res = model.predict(new_data_scaled)[0]
-        
-        st.success(f"### Predicted Cluster / Tahmin Edilen Küme: {res}")
-        
-        # O kümeden benzer şarkı örnekleri
-        st.write(f"**Similar songs from this group / Bu gruptaki benzer şarkılar:**")
-        samples = df[df['cluster'] == res][['track_name', 'artists']].head(5)
-        st.table(samples)
-        
+
+        st.session_state.prediction = res
+        st.session_state.samples = df[df['cluster'] == res][['track_name', 'artists']].head(5)
+
     except Exception as e:
-        st.error(f"Prediction Error / Tahmin Hatası: {e}")
+        st.error(f"Error / Hata: {e}")
+
+# SONUÇ (STABLE)
+if st.session_state.prediction is not None:
+    st.success(f"### Predicted Cluster / Tahmin Edilen Küme: {st.session_state.prediction}")
+    st.write("Similar Songs / Benzer Şarkılar:")
+    st.table(st.session_state.samples)
 
 # --------------------------------------
-# 6️⃣ Cluster Characteristics / Küme Karakteristikleri
+# 🔍 CLUSTER ANALYSIS
 # --------------------------------------
 st.divider()
-st.subheader("🔍 Cluster Characteristics / Küme Özellikleri (Ortalamalar)")
-# Sadece sayısal verileri grupla (Titremeyi önlemek için seçim yapıyoruz)
+st.subheader("🔍 Cluster Characteristics / Küme Özellikleri")
+
 numeric_only = df.select_dtypes(include=['float64', 'int64'])
+
 if 'cluster' in df.columns:
     means = numeric_only.groupby(df['cluster']).mean()
     st.dataframe(means, use_container_width=True)