Delete src

src/streamlit_app.py

@@ -1,111 +0,0 @@
-# src/streamlit_app.py
-import streamlit as st
-import pandas as pd
-import joblib
-import matplotlib.pyplot as plt
-
-# --------------------------------------
-# 1️⃣ Load Files & Data Cleaning / Dosyaları Yükle ve Temizle
-# --------------------------------------
-DATA_PATH = "spotify_clustered.csv"
-MODEL_PATH = "kmeans_music_model.pkl"
-SCALER_PATH = "scaler_music.pkl"
-
-@st.cache_data
-def load_data():
-    try:
-        df = pd.read_csv(DATA_PATH)
-    except FileNotFoundError:
-        st.error(f"spotify_clustered.csv bulunamadı! Lütfen src/ klasörüne yükleyin.")
-        return None, None
-    
-    # Gereksiz sütunları kaldır
-    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
-df, df_display = load_data()
-if df is None:
-    st.stop()
-
-# Model ve scaler yükle
-model = joblib.load(MODEL_PATH)
-scaler = joblib.load(SCALER_PATH)
-
-# --------------------------------------
-# 2️⃣ Page Config / Sayfa Ayarları
-# --------------------------------------
-st.set_page_config(page_title="Spotify Clusters", layout="wide")
-st.title("🎵 Spotify Music Clustering / Spotify Müzik Kümeleme")
-st.markdown("---")
-
-# --------------------------------------
-# 3️⃣ Dataset Preview / Veri Önizleme
-# --------------------------------------
-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
-# --------------------------------------
-col1, col2 = st.columns(2)
-
-with col1:
-    st.subheader("📊 Cluster Distribution / Küme Dağılımı")
-    st.bar_chart(df['cluster'].value_counts())
-
-with col2:
-    st.subheader("🎯 Feature Analysis / Özellik Analizi")
-    fig, ax = plt.subplots(figsize=(8, 5))
-    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")
-    st.pyplot(fig, clear_figure=True)
-    plt.close(fig)
-
-# --------------------------------------
-# 5️⃣ Prediction Section / Tahmin Bölümü
-# --------------------------------------
-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)
-
-with c1:
-    pop = st.slider("Popularity / Popülerlik", 0, 100, 50)
-    dur = st.slider("Duration (ms) / Süre", 0, 600000, 200000)
-    dance = st.slider("Danceability / Dans Edilebilirlik", 0.0, 1.0, 0.5)
-
-with c2:
-    energy = st.slider("Energy / Enerji", 0.0, 1.0, 0.5)
-    loud = st.slider("Loudness / Ses Yüksekliği", -60.0, 0.0, -10.0)
-    tempo = st.slider("Tempo / Tempo", 0.0, 250.0, 120.0)
-
-with c3:
-    speech = st.slider("Speechiness / Konuşma Oranı", 0.0, 1.0, 0.1)
-
-if st.button("Predict Cluster / Kümeyi Tahmin Et ✨"):
-    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}")
-        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)
-    except Exception as e:
-        st.error(f"Prediction Error / Tahmin Hatası: {e}")
-
-# --------------------------------------
-# 6️⃣ Cluster Characteristics / Küme Karakteristikleri
-# --------------------------------------
-st.divider()
-st.subheader("🔍 Cluster Characteristics / Küme Özellikleri (Ortalamalar)")
-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)