app.py

import streamlit as st
import pandas as pd
import pickle
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
from io import StringIO

# Sayfa ayarları
st.set_page_config(page_title="Müşteri Kaybı Tahmin Uygulaması", page_icon=":telephone_receiver:", layout="wide")

# Veriyi yükle (sadece bir kere yüklemek için @st.cache kullanıyoruz)
@st.cache_data()
def load_data():
    df = pd.read_csv('churn.csv')
    return df

df = load_data()

# --- Arayüz ---

st.title("Müşteri Kaybı Tahmin Uygulaması")

# --- Sidebar (Sol Menü) ---
st.sidebar.header("Navigasyon")
page = st.sidebar.radio("Sayfa Seçin:", ["Veri İnceleme", "Model ve Tahmin"])

# --- Veri İnceleme Sayfası ---
if page == "Veri İnceleme":
    st.header("Veri Seti İnceleme")

    if st.checkbox("Veri Setini Göster"):
        st.subheader("Veri Seti")
        st.dataframe(df)

    if st.checkbox("Özet İstatistikleri Göster"):
        st.subheader("Özet İstatistikler")
        st.write(df.describe())

    if st.checkbox("Sütun Bilgilerini Göster"):
        st.subheader("Sütun Bilgileri")
        buffer = StringIO()
        df.info(buf=buffer)
        s = buffer.getvalue()
        st.text(s)

    # --- Görselleştirme ---
    st.header("Veri Görselleştirme")
    if st.checkbox("Sayısal Değişken Dağılımları"):
        st.subheader("Sayısal Değişken Dağılımları")
        for col in ['tenure', 'MonthlyCharges', 'TotalCharges']:
            fig, ax = plt.subplots()
            sns.histplot(df[col], kde=True, ax=ax)
            st.pyplot(fig)

    if st.checkbox("Kategorik Değişken Dağılımları"):
        st.subheader("Kategorik Değişken Dağılımları")
        for col in ['gender', 'SeniorCitizen', 'Partner', 'Dependents', 'PhoneService', 'MultipleLines',
                    'InternetService', 'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
                    'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling', 'PaymentMethod', "Churn"]:
            fig, ax = plt.subplots()
            sns.countplot(x=col, data=df, ax=ax)
            st.pyplot(fig)

    if st.checkbox("Churn Dağılımı"):
        st.subheader("Churn Dağılımı")
        fig, ax = plt.subplots()
        sns.countplot(x='Churn', data=df, ax=ax)
        st.pyplot(fig)

    if st.checkbox("Cinsiyete Göre Churn Dağılımı"):
        st.subheader("Cinsiyete Göre Churn Dağılımı")
        fig, ax = plt.subplots()
        sns.countplot(x='gender', hue='Churn', data=df, ax=ax)
        st.pyplot(fig)

# --- Model ve Tahmin Sayfası ---
elif page == "Model ve Tahmin":
    st.header("Müşteri Kaybı Tahmini")

    # Preprocess the data
    df_model = df.copy()
    
    
    # TotalCharges sütununu sayısal yap ve eksik değerleri doldur
    df_model['TotalCharges'] = pd.to_numeric(df_model['TotalCharges'], errors='coerce')
    df_model['TotalCharges'].fillna(df_model['TotalCharges'].median(), inplace=True)

    # Kategorik sütunları Label Encoding ile sayısal hale getir
    label_enc = LabelEncoder()
    for col in df_model.select_dtypes(include=['object']).columns:
      if col != 'customerID':
          df_model[col] = label_enc.fit_transform(df_model[col])
    
    # --- Kullanıcıdan girdi al ---

    def user_input_features():
      features = {}
      col1, col2 = st.columns(2)

      # 'TotalCharges' sütununu sayısal yap ve boş değerleri 0 ile doldur (geçici çözüm)
      df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce')
      df['TotalCharges'] = df['TotalCharges'].fillna(0)

      with col1:
          features['gender'] = st.selectbox("Cinsiyet", df['gender'].unique())
          features['SeniorCitizen'] = st.selectbox("Yaşlı Mı?", df['SeniorCitizen'].unique())
          features['Partner'] = st.selectbox("Partneri Var Mı?", df['Partner'].unique())
          features['Dependents'] = st.selectbox("Bağımlı Kişi Var Mı?", df['Dependents'].unique())
          features['PhoneService'] = st.selectbox("Telefon Hizmeti Var Mı?", df['PhoneService'].unique())

          # MultipleLines için özel durum (PhoneService'e göre seçenekleri güncelle)
          if features['PhoneService'] == 'Yes':
              features['MultipleLines'] = st.selectbox("Çoklu Hat Var Mı?", ['Yes', 'No'])
          else:
              features['MultipleLines'] = st.selectbox("Çoklu Hat Var Mı?", ['No phone service'])

          features['OnlineSecurity'] = st.selectbox("Çevrimiçi Güvenlik Var Mı?", df['OnlineSecurity'].unique())
          features['OnlineBackup'] = st.selectbox("Çevrimiçi Yedekleme Var Mı?", df['OnlineBackup'].unique())

      with col2:
          features['DeviceProtection'] = st.selectbox("Cihaz Koruması Var Mı?", df['DeviceProtection'].unique())
          features['TechSupport'] = st.selectbox("Teknik Destek Var Mı?", df['TechSupport'].unique())
          features['StreamingTV'] = st.selectbox("TV Yayını Var Mı?", df['StreamingTV'].unique())
          features['StreamingMovies'] = st.selectbox("Film Yayını Var Mı?", df['StreamingMovies'].unique())
          features['Contract'] = st.selectbox("Sözleşme Türü", df['Contract'].unique())
          features['PaperlessBilling'] = st.selectbox("Kağıtsız Fatura Var Mı?", df['PaperlessBilling'].unique())
          features['PaymentMethod'] = st.selectbox("Ödeme Yöntemi", df['PaymentMethod'].unique())
          features['tenure'] = st.slider("Müşteri Olma Süresi (Ay)", 0, 72, 12)
          features['MonthlyCharges'] = st.slider("Aylık Ücret", 0, 150, 50)
          features['TotalCharges'] = st.slider("Toplam Ücret", 0, int(df['TotalCharges'].max()), int(df['TotalCharges'].median()))

      # InternetService'i sona ekle, çünkü diğer özelliklerin seçimine bağlı
      features['InternetService'] = st.selectbox("İnternet Servisi", df['InternetService'].unique())
      return pd.DataFrame(features, index=[0])

    input_df = user_input_features()

    # --- Modeli Eğit ve Tahmin Yap ---

    X = df_model.drop(columns=['Churn', 'customerID'])
    y = df_model['Churn']
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    scaler = StandardScaler()
    X_train = scaler.fit_transform(X_train)
    X_test = scaler.transform(X_test)
    
    # --- Değişiklikler ---
    # 1. Eğitim verisinin sütun sırasını kaydet
    column_order = X.columns

    
    for col in input_df.select_dtypes(include=['object']).columns:
      input_df[col] = input_df[col].astype(str) # Her ihtimale karşı, object tipindeki sütunları stringe çevir

    for col in input_df.columns:
      if input_df[col].dtype == object or input_df[col].dtype == str :
          input_df[col] = pd.Categorical(input_df[col], categories=df[col].unique())
          input_df[col] = input_df[col].cat.codes
          
    # 2. Girdi verisini eğitim verisinin sütun sırasına göre düzenle
    input_df = input_df.reindex(columns=column_order)
    
    # --- Değişiklikler Son ---

    input_df = scaler.transform(input_df)
    
    input_df = pd.DataFrame(input_df, columns=column_order) # scaler.transform sonrası tekrar isimlendir

    # Modeli yükle
    
    model = LogisticRegression()
    model.fit(X_train, y_train) # Modeli tekrar burada eğitiyoruz

    if st.button('Tahmin Yap'):
        prediction = model.predict(input_df)
        prediction_proba = model.predict_proba(input_df)

        st.subheader("Tahmin Sonucu:")
        if prediction[0] == 0:
            st.success("Bu müşterinin kayıp **OLMAYACAĞI** tahmin ediliyor. :thumbsup:")
        else:
            st.error("Bu müşterinin kayıp **OLACAĞI** tahmin ediliyor. :thumbsdown:")

        st.subheader("Tahmin Olasılıkları:")
        st.write(f"Kayıp Olmama Olasılığı: **{prediction_proba[0][0]:.2f}**")
        st.write(f"Kayıp Olma Olasılığı: **{prediction_proba[0][1]:.2f}**")
        
        # --- Model Performansı ---
        st.header("Model Performansı")
        y_pred = model.predict(X_test)

        st.subheader("Sınıflandırma Raporu")
        st.text(classification_report(y_test, y_pred))

        st.subheader("Karışıklık Matrisi")
        fig, ax = plt.subplots()
        sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues', ax=ax)
        st.pyplot(fig)

        st.subheader("ROC Eğrisi")
        y_prob = model.predict_proba(X_test)[:, 1]
        fpr, tpr, thresholds = roc_curve(y_test, y_prob)
        roc_auc = auc(fpr, tpr)

        fig, ax = plt.subplots()
        ax.plot(fpr, tpr, color='blue', lw=2, label=f"ROC Curve (AUC = {roc_auc:.2f})")
        ax.plot([0, 1], [0, 1], color='red', lw=2, linestyle='--')
        ax.set_xlabel("False Positive Rate")
        ax.set_ylabel("True Positive Rate")
        ax.set_title("Receiver Operating Characteristic (ROC) Curve")
        ax.legend(loc="lower right")
        st.pyplot(fig)