app.py

import streamlit as st
import requests
import pandas as pd
from datetime import datetime, timedelta
from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
from textblob import TextBlob
import nltk
from wordcloud import WordCloud
import base64
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 yfinance as yf

# --------------------------
# CONFIG
# --------------------------
st.set_page_config(page_title="📰 News Sentiment Analysis for Young Investor", layout="wide")
API_KEY = "88bc396d4eab4be494a4b86ec842db47"

# --------------------------
# UTILITIES
# --------------------------
def analyze_text(text, vader):
    if not text.strip():
        return 0
    vader_score = vader.polarity_scores(text)["compound"]
    textblob_score = TextBlob(text).sentiment.polarity
    return np.mean([vader_score, textblob_score])

def generate_wordcloud(text):
    stopwords = nltk.corpus.stopwords.words('english')
    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()

# --------------------------
# แปลงชื่อ/ตัวย่อ → (Company Name, Symbol)
# --------------------------
def resolve_company_symbol(keyword: str):
    keyword = keyword.strip()
    ticker = None
    name = None
    try:
        data = yf.Ticker(keyword)
        info = data.info
        if "symbol" in info and info["symbol"]:
            ticker = info["symbol"]
            name = info.get("longName", info.get("shortName", keyword))
        else:
            url = f"https://query2.finance.yahoo.com/v1/finance/search?q={keyword}"
            res = requests.get(url).json()
            if "quotes" in res and len(res["quotes"]) > 0:
                q = res["quotes"][0]
                ticker = q.get("symbol")
                name = q.get("longname", q.get("shortname", keyword))
    except Exception as e:
        print("Lookup failed:", e)
    if not ticker:
        ticker = keyword.upper()
    if not name:
        name = keyword.capitalize()
    return name, ticker

# --------------------------
# ดึงข่าว 7 วัน สำหรับ Company + Symbol
# --------------------------
@st.cache_data(ttl=3600)
def fetch_financial_news(keyword):
    company, symbol = resolve_company_symbol(keyword)
    to_date = datetime.now().strftime('%Y-%m-%d')
    from_date = (datetime.now() - timedelta(days=7)).strftime('%Y-%m-%d')
    query_keyword = f"({company} OR {symbol}) finance stock"
    all_articles = []
    page = 1
    while True:
        url = (
            f"https://newsapi.org/v2/everything?"
            f"q={query_keyword}&"
            f"from={from_date}&to={to_date}&"
            f"language=en&sortBy=publishedAt&"
            f"pageSize=100&page={page}&apiKey={API_KEY}"
        )
        r = requests.get(url)
        data = r.json()
        if data.get("status") != "ok":
            st.error(f"API Error: {data}")
            break
        articles = data.get("articles", [])
        if not articles:
            break
        for a in articles:
            if a["description"]:
                all_articles.append({
                    "date": pd.to_datetime(a["publishedAt"]),
                    "text": f"{a['title']} {a['description']}",
                    "source": a["source"]["name"],
                    "url": a["url"]
                })
        if len(articles) < 100:
            break
        page += 1
    return pd.DataFrame(all_articles)

# --------------------------
# ดึงราคาหุ้นตามช่วงเวลาที่กำหนด (และ Flatten Header)
# --------------------------
@st.cache_data(ttl=3600)
def fetch_stock_price(symbol, start_date, end_date):
    try:
        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_str, end=end_str, interval="1d")
        if df.empty:
            st.warning("ไม่พบข้อมูลราคาหุ้นในช่วงเวลานี้")
            return pd.DataFrame()
        df = df.reset_index()
        df_subset = df[['Date', 'Close']]
        df_subset.columns = ['date', 'price']
        df_subset["date"] = pd.to_datetime(df_subset["date"].dt.date)
        return df_subset
    except Exception as e:
        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
        return pd.DataFrame()

# --------------------------
# MAIN APP
# --------------------------
def main():
    st.title("📰 News Sentiment Analysis for Young Investor")
    st.markdown("วิเคราะห์แนวโน้มอารมณ์ของข่าวย้อนหลัง 7 วัน พร้อมราคาหุ้น")

    # Sidebar
    with st.sidebar:
        keyword = st.text_input("ค้นหา Stock Symbol (เช่น AAPL, TSLA):", "")
        analyze_btn = st.button("วิเคราะห์เลย")

    if not analyze_btn:
        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย' เพื่อเริ่มต้น")
        return

    vader = SentimentIntensityAnalyzer()
    # ดึงข่าว
    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}' ...")
    news_df = fetch_financial_news(keyword)

    if news_df.empty:
        st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
        return

    # 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
    avg_sentiment = news_df["sentiment"].mean()
    pos_pct = (news_df["sentiment"] > 0.1).mean() * 100
    neg_pct = (news_df["sentiment"] < -0.1).mean() * 100

    col1, col2, col3 = st.columns(3)
    col1.metric("ค่าเฉลี่ยอารมณ์ข่าว", f"{avg_sentiment:.2f}", "Positive" if avg_sentiment > 0 else "Negative" if avg_sentiment < 0 else "Neutral")
    col2.metric("ข่าวเชิงบวก", f"{pos_pct:.1f}%")
    col3.metric("ข่าวเชิงลบ", f"{neg_pct:.1f}%")

    # Wordcloud
    st.subheader("☁️ Word Cloud ของข่าว")
    all_text = " ".join(news_df["text"].tolist())
    img = generate_wordcloud(all_text)
    st.image(f"data:image/png;base64,{img}", use_column_width=True)

    # -----------------------------------------------------------------
    # กราฟไฮบริด (Ref1 + Prediction)
    # -----------------------------------------------------------------
    st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
    # 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"

    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()
    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
    df_sorted = daily_data.sort_values("date_day").copy()

    if len(df_sorted) < 2:
        st.warning("มีข้อมูลข่าวไม่เพียงพอที่จะสร้างแนวโน้ม (น้อยกว่า 2 วัน)")
        st.subheader("📰 รายการข่าว")
        st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
        return

    # 2. ดึงราคาหุ้น
    _, symbol = resolve_company_symbol(keyword)
    min_date = df_sorted["date_day"].min()
    max_date = df_sorted["date_day"].max()
    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)

    # 3. Merge ข้อมูล 2 ชุด (Sentiment & Stock)
    plot_data = pd.merge(
        df_sorted,
        stock_df,
        left_on="date_day",
        right_on="date",
        how="left"
    )

    # 4. (*** ใหม่ ***) คำนวณและตีความ Correlation
    correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
    corr_text = "ไม่มีความสัมพันธ์กัน"
    corr_delta = f"Correlation = {correlation:.2f}"
    if pd.isna(correlation):
        corr_text = "ไม่สามารถคำนวณได้"
        corr_delta = "N/A"
    elif correlation > 0.3:
        corr_text = "มีความสัมพันธ์กันในทิศทางเดียวกัน"
    elif correlation < -0.3:
        corr_text = "มีความสัมพันธ์กันในทิศทางตรงข้าม"

    # 5. เทรนโมเดล Prediction (ใช้ข้อมูลที่ Merge แล้ว)
    plot_data["timestamp"] = (plot_data["date_day"] - plot_data["date_day"].min()).dt.days
    # 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="วิเคราะห์ความสัมพันธ์ (Sentiment vs Price)",
        value=corr_text,
        delta=corr_delta
    )

    # 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,
            line=dict(color="orange", width=2)
        ),
        row=1, col=1,
        secondary_y=False
    )

    fig.add_trace(
        go.Scatter(
            x=plot_data["date_day"],
            y=plot_data["avg_sentiment"],
            name="Actual Sentiment (Daily Avg)",
            mode="lines+markers",
            line=dict(color="blue", width=2)
        ),
        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="#02caf7", dash="dash")
        ),
        row=1, col=1,
        secondary_y=True
        )

    # --- 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)

    # 8. ตกแต่ง Layout
    fig.update_layout(
        title=f"แนวโน้มอารมณ์ข่าว & ราคาหุ้น '{keyword}'",
        template="plotly_white",
        hovermode="x unified",
        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 (ยังใช้ news_df ตัวเต็ม)
    st.subheader("📰 รายการข่าว")
    st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)

if __name__ == "__main__":
    nltk.download("stopwords", quiet=True)
    main()