Update app.py

app.py

@@ -6,7 +6,7 @@ from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
 from textblob import TextBlob
 import nltk
 from wordcloud import WordCloud
-import base64
+import base64  # (แก้ไข Typo)
 from io import BytesIO
 import numpy as np
 from sklearn.linear_model import LinearRegression
@@ -36,7 +36,7 @@ def generate_wordcloud(text):
     wordcloud = WordCloud(width=800, height=400, background_color="white", stopwords=stopwords).generate(text)
     buf = BytesIO()
     wordcloud.to_image().save(buf, format="PNG")
-    return base64.b64encode(buf.getvalue()).decode()
+    return base64.b64encode(buf.getvalue()).decode() # (แก้ไข Typo)
 
 
 # --------------------------
@@ -167,12 +167,12 @@ def main():
         st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
         return
 
-    # วิเคราะห์ sentiment (รายบทความ)
+    # วิเคราะห์ sentiment
     st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
     news_df["sentiment"] = news_df["text"].apply(lambda x: analyze_text(x, vader))
     news_df["date"] = pd.to_datetime(news_df["date"])
 
-    # แสดง Metric (ยังใช้ข้อมูลทั้งหมด)
+    # แสดง Metric
     avg_sentiment = news_df["sentiment"].mean()
     pos_pct = (news_df["sentiment"] > 0.1).mean() * 100
     neg_pct = (news_df["sentiment"] < -0.1).mean() * 100
@@ -183,7 +183,7 @@ def main():
     col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
     col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")
 
-    # Wordcloud (ยังใช้ข้อมูลทั้งหมด)
+    # Wordcloud
     st.subheader("☁️ Word Cloud ของข่าว")
     all_text = " ".join(news_df["text"].tolist())
     img = generate_wordcloud(all_text)
@@ -216,28 +216,15 @@ def main():
         if col not in daily_data.columns:
             daily_data[col] = 0
             
-    # 2. เทรนโมเดล Prediction โดยใช้ข้อมูล "รายวัน"
     df_sorted = daily_data.sort_values("date_day").copy()
     
-    # ป้องกัน Error ถ้ามีข้อมูลน้อยกว่า 2 วัน
     if len(df_sorted) < 2:
         st.warning("มีข้อมูลข่าวไม่เพียงพอที่จะสร้างแนวโน้ม (น้อยกว่า 2 วัน)")
         st.subheader("📰 รายการข่าว")
-        # (แก้ไข) เปลี่ยน use_column_width เป็น use_container_width
-        st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
+        st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True) # (แก้ไข Typo)
         return
 
-    df_sorted["timestamp"] = (df_sorted["date_day"] - df_sorted["date_day"].min()).dt.days
-
-    model = LinearRegression()
-    model.fit(df_sorted[["timestamp"]], df_sorted["avg_sentiment"])
-
-    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 (ในช่วงเวลาเดียวกับข่าว)
+    # 2. ดึงราคาหุ้น
     _, symbol = resolve_company_symbol(keyword)
     min_date = df_sorted["date_day"].min()
     max_date = df_sorted["date_day"].max()
@@ -245,27 +232,50 @@ def main():
     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
+    # 3. (*** นี่คือตรรกะใหม่ที่สำคัญ ***)
+    # Merge ข้อมูล 2 ชุด (Sentiment & Stock) ให้มีแกน X เดียวกัน
+    plot_data = pd.merge(
+        df_sorted, 
+        stock_df, 
+        left_on="date_day", 
+        right_on="date", 
+        how="left" # ยึดวันที่ของข่าว (ซ้าย) เป็นหลัก
+    )
+    # (ตอนนี้ plot_data จะมีคอลัมน์ price ที่เป็น NaN ในวันที่ตลาดปิด)
+
+    # 4. 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))
+
+
+    # 5. 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) ---
 
-    if not stock_df.empty:
-        fig.add_trace(
-            go.Scatter(
-                x=stock_df["date"], y=stock_df["price"],
-                name=f"{symbol} Stock Price",
-                mode="lines+markers",
-                line=dict(color="green", width=2)
-            ),
-            row=1, col=1, secondary_y=False
-        )
+    # Add stock price (Y-axis 1, สีเขียว)
+    fig.add_trace(
+        go.Scatter(
+            x=plot_data["date_day"], y=plot_data["price"], # <--- ใช้ plot_data
+            name=f"{symbol} Stock Price",
+            mode="lines+markers",
+            line=dict(color="green", width=2)
+        ),
+        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"],
+            x=plot_data["date_day"], y=plot_data["avg_sentiment"], # <--- ใช้ plot_data
             name="Actual Sentiment (Daily Avg)",
             mode="lines+markers",
             line=dict(color="blue", width=2)
@@ -273,6 +283,7 @@ def main():
         row=1, col=1, secondary_y=True
     )
     
+    # 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)",
@@ -283,11 +294,11 @@ def main():
     )
 
     # --- 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)
+    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) # <--- ใช้ plot_data
+    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) # <--- ใช้ plot_data
+    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) # <--- ใช้ plot_data
     
-    # 5. ตกแต่ง Layout
+    # 6. ตกแต่ง Layout
     fig.update_layout(
         title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
         template="plotly_white",
@@ -305,11 +316,9 @@ def main():
 
     st.plotly_chart(fig, use_container_width=True)
 
-    # แสดงข่าว (ยังอยู่เหมือนเดิม)
+    # แสดงข่าว (ยังใช้ news_df ตัวเต็ม)
     st.subheader("📰 รายการข่าว")
-    # ----- (นี่คือบรรทัดที่แก้ไข) -----
-    st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
-    # -----------------------------------
+    st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True) # (แก้ไข Typo)
 
 
 if __name__ == "__main__":