Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,40 +1,111 @@
-import altair as alt
-import numpy as np
-import pandas as pd
 import streamlit as st
+import pandas as pd
+import joblib
+import matplotlib.pyplot as plt
+
+# --------------------------------------
+# 1️⃣ Load Files & Data Cleaning / Dosyaları Yükle ve Temizle
+# --------------------------------------
+@st.cache_data
+def load_data():
+    # Kendi kaydettiğin CSV dosyan
+    df = pd.read_csv("spotify_clustered.csv")
+    
+    # Gereksiz/Teknik sütunları temizle (Görünümü güzelleştirir)
+    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()
+model = joblib.load("kmeans_music_model.pkl")
+scaler = joblib.load("scaler_music.pkl")
+
+# --------------------------------------
+# 2️⃣ Page Config / Sayfa Ayarları (Titremeyi önlemek için geniş mod)
+# --------------------------------------
+st.set_page_config(page_title="Spotify Clusters", layout="wide")
+st.title("🎵 Spotify Music Clustering / Müzik Kümeleme Analizi")
+st.markdown("---")
+
+# --------------------------------------
+# 3️⃣ Dataset Preview / Veri Seti 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 (Titremeyi engelleyen yapı)
+# --------------------------------------
+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")
+    # 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)
+    ax.set_xlabel("Danceability / Dans Edilebilirlik")
+    ax.set_ylabel("Energy / Enerji")
+    plt.colorbar(scatter, label="Cluster / Küme")
+    
+    # Titremeyi önlemek için clear_figure=True kullanıyoruz
+    st.pyplot(fig, clear_figure=True)
+    plt.close(fig) # Belleği boşalt
+
+# --------------------------------------
+# 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:
+    # 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)
+        
+    except Exception as e:
+        st.error(f"Prediction Error / Tahmin Hatası: {e}")
 
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))
+# --------------------------------------
+# 6️⃣ Cluster Characteristics / Küme Karakteristikleri
+# --------------------------------------
+st.divider()
+st.subheader("🔍 Cluster Characteristics / Küme Özellikleri (Ortalamalar)")
+# Sadece sayısal verileri grupla (Titremeyi önlemek için seçim yapıyoruz)
+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)