Update app.py

app.py

@@ -11,13 +11,14 @@ from io import BytesIO
 import numpy as np
 from sklearn.linear_model import LinearRegression
 import plotly.graph_objects as go
+from plotly.subplots import make_subplots # Import สิ่งนี้
 import yfinance as yf
 
 # --------------------------
 # CONFIG
 # --------------------------
 st.set_page_config(page_title="📰 SentimentSync NewsAI", layout="wide")
-API_KEY = "88bc396d4eab4be494a4b86ec842db47" # (อย่าลืมเปลี่ยนคีย์ของคุณถ้าแชร์โค้ด)
+API_KEY = "88bc396d4eab4be494a4b86ec842db47"
 
 # --------------------------
 # UTILITIES
@@ -118,29 +119,28 @@ def fetch_financial_news(keyword):
 
 
 # --------------------------
-# (*** ส่วนที่ 1: แก้ไข)
-# ดึงราคาหุ้นย้อนหลัง 8 วัน
+# (*** ส่วนที่แก้ไข ***)
+# ดึงราคาหุ้นตามช่วงเวลาที่กำหนด
 # --------------------------
 @st.cache_data(ttl=3600)
-def fetch_stock_price(symbol):
+def fetch_stock_price(symbol, start_date, end_date):
+    """
+    แก้ไข: รับ start_date และ end_date เพื่อดึงข้อมูลให้ตรงกัน
+    """
     try:
-        # แก้ไข: ใช้ start/end date ที่ชัดเจน ให้ตรงกับช่วงข่าว
-        end_date = datetime.now()
-        start_date = end_date - timedelta(days=8) # ดึง 8 วัน เผื่อวันหยุด
+        start_str = (start_date - timedelta(days=2)).strftime('%Y-%m-%d')
+        end_str = (end_date + timedelta(days=1)).strftime('%Y-%m-%d')
         
-        df = yf.download(symbol, 
-                         start=start_date.strftime('%Y-%m-%d'), 
-                         end=end_date.strftime('%Y-%m-%d'), 
-                         interval="1d")
+        df = yf.download(symbol, start=start_str, end=end_str, interval="1d")
         
         if df.empty:
-             st.warning("ไม่พบข้อมูลราคาหุ้นในช่วง 8 วันที่ผ่านมา")
-             return pd.DataFrame()
-
+            st.warning("ไม่พบข้อมูลราคาหุ้นในช่วงเวลานี้")
+            return pd.DataFrame()
+            
         df = df.reset_index()[["Date", "Close"]]
         df.rename(columns={"Date": "date", "Close": "price"}, inplace=True)
-        # **สำคัญมาก** เราต้อง normalize date ให้เป็น date (00:00)
-        df["date"] = pd.to_datetime(df["date"].dt.date) 
+        # Normalize วันที่ให้เป็น .dt.date
+        df["date"] = pd.to_datetime(df["date"].dt.date)
         return df
     except Exception as e:
         st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
@@ -148,7 +148,7 @@ def fetch_stock_price(symbol):
 
 
 # --------------------------
-# MAIN APP (*** ส่วนที่ 2: แก้ไข)
+# MAIN APP (*** ส่วนที่แก้ไขทั้งหมด ***)
 # --------------------------
 def main():
     st.title("📰 SentimentSync NewsAI")
@@ -195,73 +195,113 @@ def main():
     st.image(f"data:image/png;base64,{img}", use_column_width=True)
 
     # -----------------------------------------------------------------
-    # (ส่วนที่แก้ไข) แนวโน้ม + พยากรณ์ + ราคาหุ้น
+    # (ส่วนที่แก้ไข) กราฟไฮบริด (Ref1 + Prediction)
     # -----------------------------------------------------------------
     st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
     
-    # 1. (ใหม่) รวบรวมข้อมูลข่าวเป็น "ค่าเฉลี่ยรายวัน"
-    # **สำคัญมาก** เราต้อง normalize date ให้เป็น date (00:00)
+    # 1. รวบรวมข้อมูลข่าวเป็นรายวัน (Daily Aggregation)
     news_df["date_day"] = pd.to_datetime(news_df["date"].dt.date)
+
+    def sentiment_type(score):
+        if score > 0.1: return "positive"
+        if score < -0.1: return "negative"
+        return "neutral"
     
-    daily_sentiment_df = news_df.groupby("date_day").agg(
+    news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)
+
+    daily_avg_sentiment = news_df.groupby("date_day").agg(
         avg_sentiment=('sentiment', 'mean')
     ).reset_index()
 
-    # 2. (ใหม่) ใช้ข้อมูล "รายวัน" นี้ในการเทรนโมเดล
-    df_sorted = daily_sentiment_df.sort_values("date_day").copy()
+    daily_counts = news_df.groupby(["date_day", "sentiment_type"]).size().unstack(fill_value=0).reset_index()
+    
+    daily_data = pd.merge(daily_avg_sentiment, daily_counts, on="date_day", how="left").fillna(0)
+    
+    for col in ['positive', 'negative', 'neutral']:
+        if col not in daily_data.columns:
+            daily_data[col] = 0
+            
+    # 2. (ใหม่) เทรนโมเดล Prediction โดยใช้ข้อมูล "รายวัน"
+    df_sorted = daily_data.sort_values("date_day").copy()
     df_sorted["timestamp"] = (df_sorted["date_day"] - df_sorted["date_day"].min()).dt.days
 
-    # Train sentiment model
     model = LinearRegression()
     model.fit(df_sorted[["timestamp"]], df_sorted["avg_sentiment"])
 
-    # Forecast next 7 days
     future_days = 7
     future_timestamps = np.arange(df_sorted["timestamp"].max() + 1, df_sorted["timestamp"].max() + future_days + 1)
     future_dates = [df_sorted["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
     future_preds = model.predict(future_timestamps.reshape(-1, 1))
 
-    # 3. ดึงราคาหุ้น (ซึ่งตอนนี้เราแก้ฟังก์ชัน `fetch_stock_price` แล้ว)
+    # 3. ดึงราคาหุ้น (ในช่วงเวลาเดียวกับข่าว)
     _, symbol = resolve_company_symbol(keyword)
-    stock_df = fetch_stock_price(symbol)
-
-    # 4. Plot (ตอนนี้ X-axis ทั้ง 3 เส้นจะตรงกันแล้ว)
-    fig = go.Figure()
+    min_date = df_sorted["date_day"].min()
+    max_date = df_sorted["date_day"].max()
     
-    # Actual sentiment (จากค่าเฉลี่ยรายวัน)
-    fig.add_trace(go.Scatter(
-        x=df_sorted["date_day"], y=df_sorted["avg_sentiment"],
-        mode="lines+markers", name="Actual Sentiment (Daily Avg)",
-        line=dict(color="blue")
-    ))
+    st.info(f"กำลังดึงราคาหุ้น {symbol} ระหว่างวันที่ {min_date.strftime('%Y-%m-%d')} ถึง {max_date.strftime('%Y-%m-%d')}...")
+    stock_df = fetch_stock_price(symbol, min_date, max_date)
+
+    # 4. สร้างกราฟ (Plot) ด้วย Subplots
+    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) ---
+
+    # Add stock price (Y-axis 1, สีเขียว)
+    if not stock_df.empty:
+        fig.add_trace(
+            go.Scatter(
+                x=stock_df["date"], y=stock_df["price"],
+                name=f"{symbol} Stock Price",
+                line=dict(color="green", width=2) # ใช้สีเขียวตามโค้ดเดิม
+            ),
+            row=1, col=1, secondary_y=False
+        )
+
+    # Add daily sentiment score (Y-axis 2, สีน้ำเงิน)
+    fig.add_trace(
+        go.Scatter(
+            x=df_sorted["date_day"], y=df_sorted["avg_sentiment"],
+            name="Actual Sentiment (Daily Avg)",
+            mode="lines+markers",
+            line=dict(color="blue", width=2) # ใช้สีน้ำเงินตามโค้ดเดิม
+        ),
+        row=1, col=1, secondary_y=True
+    )
     
-    # Predicted sentiment (จากโมเดลรายวัน)
+    # (ใหม่) Add Predicted sentiment (Y-axis 2, สีส้ม)
     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")
+        line=dict(color="orange", dash="dash"),
+        secondary_y=True # <-- สำคัญ: ต้องอยู่แกน Y เดียวกับ Actual
     ))
-    
-    # Stock price (จาก yfinance ที่เป็นรายวัน)
-    if not stock_df.empty:
-        fig.add_trace(go.Scatter(
-            x=stock_df["date"], y=stock_df["price"],
-            mode="lines+markers", name=f"{symbol} Stock Price",
-            line=dict(color="green"), yaxis="y2"
-        ))
 
+    # --- กราฟส่วนล่าง (จำนวนข่าว) ---
+    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["neutral"], name="Neutral", marker_color='rgba(128, 128, 128, 0.7)'), row=2, col=1)
+    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["negative"], name="Negative", marker_color='rgba(255, 0, 0, 0.7)'), row=2, col=1)
+    fig.add_trace(go.Bar(x=df_sorted["date_day"], y=df_sorted["positive"], name="Positive", marker_color='rgba(0, 128, 0, 0.7)'), row=2, col=1)
+    
+    # 5. ตกแต่ง Layout
     fig.update_layout(
-        title=f"แนวโน้มและพยากรณ์อารมณ์ข่าว & ราคาหุ้น '{keyword}'",
-        xaxis_title="วันที่",
-        yaxis=dict(title="Sentiment", side="left", range=[-1, 1]),
-        yaxis2=dict(title="Stock Price", overlaying="y", side="right", showgrid=False),
+        title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
+        template="plotly_white",
         hovermode="x unified",
-        template="plotly_white"
+        barmode='stack',
+        legend=dict(orientation='h', yanchor='bottom', y=1.02, xanchor='right', x=1),
+        height=600,
+        margin=dict(l=20, r=20, t=80, b=20)
     )
+    
+    fig.update_yaxes(title_text="Stock Price", row=1, col=1, secondary_y=False)
+    fig.update_yaxes(title_text="Sentiment Score", range=[-1, 1], row=1, col=1, secondary_y=True)
+    fig.update_yaxes(title_text="Article Count", row=2, col=1)
+    fig.update_xaxes(title_text="วันที่", row=2, col=1)
 
     st.plotly_chart(fig, use_container_width=True)
 
-    # แสดงข่าว (ยังใช้ข้อมูลดิบรายบทความ)
+    # แสดงข่าว (ยังอยู่เหมือนเดิม)
     st.subheader("📰 รายการข่าว")
     st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)