Update app.py

app.py

@@ -133,16 +133,9 @@ def fetch_stock_price(symbol, start_date, end_date):
             st.warning("ไม่พบข้อมูลราคาหุ้นในช่วงเวลานี้")
             return pd.DataFrame()
             
-        # 1. Reset index เพื่อให้ 'Date' กลายเป็นคอลัมน์
         df = df.reset_index()
-        
-        # 2. เลือกเฉพาะคอลัมน์ที่เราต้องการ
         df_subset = df[['Date', 'Close']]
-        
-        # 3. เปลี่ยนชื่อคอลัมน์เพื่อ "flatten" MultiIndex ใดๆ
         df_subset.columns = ['date', 'price']
-        
-        # 4. แปลง 'date' ให้เป็น .dt.date
         df_subset["date"] = pd.to_datetime(df_subset["date"].dt.date)
         
         return df_subset
@@ -251,35 +244,59 @@ def main():
         how="left"
     )
 
-    # 4. เทรนโมเดล Prediction (ใช้ข้อมูลที่ Merge แล้ว)
+    # 4. (*** ใหม่ ***) คำนวณและตีความ Correlation
+    correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
+    
+    corr_text = "ไม่สัมพันธ์กัน"
+    corr_delta = f"r = {correlation:.2f}"
+
+    if pd.isna(correlation):
+        corr_text = "ไม่สามารถคำนวณได้"
+        corr_delta = "N/A"
+    elif correlation > 0.3:
+        corr_text = "สัมพันธ์ทางเดียวกัน"
+    elif correlation < -0.3:
+        corr_text = "สัมพันธ์ตรงข้าม"
+
+    # 5. เทรนโมเดล Prediction (ใช้ข้อมูลที่ Merge แล้ว)
     plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
-    model = LinearRegression()
-    model.fit(plot_data[["timestamp"]], plot_data["avg_sentiment"])
-
-    future_days = 7
-    future_timestamps = np.arange(plot_data["timestamp"].max() + 1, plot_data["timestamp"].max() + future_days + 1)
-    future_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
-    future_preds = model.predict(future_timestamps.reshape(-1, 1))
-
+    
+    # แก้ปัญหา .fit() ถ้ามี NaN ใน sentiment
+    train_data = plot_data.dropna(subset=['avg_sentiment', 'timestamp'])
+    if len(train_data) < 2:
+        st.warning("มีข้อมูลไม่พอสำหรับเทรนโมเดล")
+    else:
+        model = LinearRegression()
+        model.fit(train_data[["timestamp"]], train_data["avg_sentiment"])
+
+        future_days = 7
+        future_timestamps = np.arange(plot_data["timestamp"].max() + 1, plot_data["timestamp"].max() + future_days + 1)
+        future_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
+        future_preds = model.predict(future_timestamps.reshape(-1, 1))
+
+    # 6. (*** ใหม่ ***) แสดงผล Correlation Metric
+    st.metric(
+        label="ความสัมพันธ์ (Sentiment vs Price)",
+        value=corr_text,
+        delta=corr_delta
+    )
 
-    # 5. สร้างกราฟ (Plot) ด้วย Subplots (ใช้ 'plot_data' เป็นหลัก)
+    # 7. สร้างกราฟ (Plot) ด้วย Subplots (ใช้ 'plot_data' เป็นหลัก)
     fig = make_subplots(rows=2, cols=1, specs=[[{"secondary_y": True}], [{}]],
                          row_heights=[0.7, 0.3], vertical_spacing=0.1,
                          shared_xaxes=True)
 
     # --- กราฟส่วนบน (ราคา, Sentiment, Prediction) ---
-
     fig.add_trace(
         go.Scatter(
             x=plot_data["date_day"], y=plot_data["price"],
             name=f"{symbol} Stock Price",
             mode="lines+markers",
-            connectgaps=True,  # <--- (*** นี่คือบรรทัดที่เพิ่มเข้ามา ***)
+            connectgaps=True,
             line=dict(color="green", width=2)
         ),
         row=1, col=1, secondary_y=False
     )
-
     fig.add_trace(
         go.Scatter(
             x=plot_data["date_day"], y=plot_data["avg_sentiment"],
@@ -290,21 +307,23 @@ def main():
         row=1, col=1, secondary_y=True
     )
     
-    fig.add_trace(go.Scatter(
-        x=future_dates, y=future_preds,
-        mode="lines+markers", name="Predicted Sentiment (7-day Forecast)",
-        line=dict(color="orange", dash="dash")
-    ),
-    row=1, col=1,
-    secondary_y=True
-    )
+    # เพิ่มการตรวจสอบว่า future_preds ถูกสร้างหรือยัง
+    if 'future_preds' in locals():
+        fig.add_trace(go.Scatter(
+            x=future_dates, y=future_preds,
+            mode="lines+markers", name="Predicted Sentiment (7-day Forecast)",
+            line=dict(color="orange", dash="dash")
+        ),
+        row=1, col=1,
+        secondary_y=True
+        )
 
-    # --- กราฟส่วนล่าง (จำนวนข่าว) ---
+    # --- กราFส่วนล่าง (จำนวนข่าว) ---
     fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["neutral"], name="Neutral", marker_color='rgba(128, 128, 128, 0.7)'), row=2, col=1)
     fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["negative"], name="Negative", marker_color='rgba(255, 0, 0, 0.7)'), row=2, col=1)
     fig.add_trace(go.Bar(x=plot_data["date_day"], y=plot_data["positive"], name="Positive", marker_color='rgba(0, 128, 0, 0.7)'), row=2, col=1)
     
-    # 6. ตกแต่ง Layout
+    # 8. ตกแต่ง Layout
     fig.update_layout(
         title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
         template="plotly_white",