Update app.py

app.py

@@ -2,14 +2,17 @@ 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
-import torch
-from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
 
 # --------------------------
 # CONFIG
@@ -17,62 +20,22 @@ from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipe
 st.set_page_config(page_title="📰 News Sentiment Analysis for Young Investor", layout="wide")
 API_KEY = "88bc396d4eab4be494a4b86ec842db47"
 
-# --------------------------
-# โหลด FinBERT model
-# --------------------------
-@st.cache_resource
-def load_finbert():
-    tokenizer = AutoTokenizer.from_pretrained("project-aps/finbert-finetune")
-    model = AutoModelForSequenceClassification.from_pretrained("project-aps/finbert-finetune")
-    return tokenizer, model
-
-tokenizer, model = load_finbert()
-
-# --------------------------
-# โหลด Zero-shot classifier สำหรับธีมข่าว
-# --------------------------
-@st.cache_resource
-def load_theme_classifier():
-    return pipeline("zero-shot-classification", model="facebook/bart-large-mnli")
-
-theme_classifier = load_theme_classifier()
-candidate_labels = ["Stock Movement", "Earnings", "M&A", "Regulation", "Product Launch", "Market Analysis"]
-
 # --------------------------
 # UTILITIES
 # --------------------------
-def analyze_text(text):
-    """วิเคราะห์อารมณ์ของข่าวด้วย FinBERT"""
-    if not text or not text.strip():
+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])
 
-    inputs = tokenizer(
-        text,
-        return_tensors="pt",
-        padding=True,
-        truncation=True,
-        max_length=512
-    )
-
-    with torch.no_grad():
-        outputs = model(**inputs)
-        logits = outputs.logits
-        probs = torch.softmax(logits, dim=1).numpy()[0]
-
-    # FinBERT = [negative, neutral, positive]
-    score = (-1 * probs[0]) + (0 * probs[1]) + (1 * probs[2])
-    return float(score)
-
-
-def summarize_themes(news_texts):
-    """สรุปธีมข่าวด้วย Zero-shot classification"""
-    themes = []
-    for text in news_texts:
-        if not text.strip():
-            continue
-        result = theme_classifier(text, candidate_labels)
-        themes.append(result["labels"][0])
-    return themes
+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)
@@ -81,7 +44,6 @@ def resolve_company_symbol(keyword: str):
     keyword = keyword.strip()
     ticker = None
     name = None
-
     try:
         data = yf.Ticker(keyword)
         info = data.info
@@ -95,27 +57,23 @@ def resolve_company_symbol(keyword: str):
                 q = res["quotes"][0]
                 ticker = q.get("symbol")
                 name = q.get("longname", q.get("shortname", keyword))
-    except:
-        pass
-
+    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
+# 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:
@@ -131,11 +89,9 @@ def fetch_financial_news(keyword):
         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({
@@ -144,15 +100,13 @@ def fetch_financial_news(keyword):
                     "source": a["source"]["name"],
                     "url": a["url"]
                 })
-
         if len(articles) < 100:
             break
         page += 1
-
     return pd.DataFrame(all_articles)
 
 # --------------------------
-# ดึงราคาหุ้น
+# ดึงราคาหุ้นตามช่วงเวลาที่กำหนด (และ Flatten Header)
 # --------------------------
 @st.cache_data(ttl=3600)
 def fetch_stock_price(symbol, start_date, end_date):
@@ -160,20 +114,16 @@ def fetch_stock_price(symbol, start_date, end_date):
         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("ไม่พบข้อมูลราคาหุ้น")
+            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"ดึงราคาหุ้นล้มเหลว: {e}")
+        st.warning(f"ไม่สามารถดึงราคาหุ้นได้: {e}")
         return pd.DataFrame()
 
 # --------------------------
@@ -189,44 +139,44 @@ def main():
         analyze_btn = st.button("วิเคราะห์เลย")
 
     if not analyze_btn:
-        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย'")
+        st.info("กรอกคำค้นแล้วกด 'วิเคราะห์เลย' เพื่อเริ่มต้น")
         return
 
+    vader = SentimentIntensityAnalyzer()
     # ดึงข่าว
-    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}'...")
+    st.info(f"กำลังดึงข่าวย้อนหลัง 7 วันสำหรับ '{keyword}' ...")
     news_df = fetch_financial_news(keyword)
+
     if news_df.empty:
-        st.warning("ไม่พบบทความข่าว")
+        st.warning("ไม่พบบทความข่าวในช่วง 7 วันที่ผ่านมา")
         return
 
-    # วิเคราะห์ Sentiment
+    # วิเคราะห์ sentiment
     st.info("กำลังวิเคราะห์อารมณ์ของข่าว...")
-    news_df["sentiment"] = news_df["text"].apply(analyze_text)
+    news_df["sentiment"] = news_df["text"].apply(lambda x: analyze_text(x, vader))
     news_df["date"] = pd.to_datetime(news_df["date"])
 
-    # Metrics
+    # 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}")
+    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}%")
 
-    # ---------------------------------------------------------
-    # ธีมข่าวแทน Word Cloud
-    # ---------------------------------------------------------
-    st.subheader("📰 ธีมข่าว (Top Theme per Article)")
-    news_df["theme"] = summarize_themes(news_df["text"].tolist())
-    theme_counts = news_df["theme"].value_counts()
-    st.bar_chart(theme_counts)
-
-    # ---------------------------------------------------------
-    # ส่วนกราฟ Sentiment & Price (เหมือนเดิม)
-    # ---------------------------------------------------------
-    st.subheader("📈 แนวโน้มอารมณ์ของข่าว & ราคาหุ้น")
+    # 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):
@@ -237,99 +187,140 @@ def main():
         return "neutral"
 
     news_df["sentiment_type"] = news_df["sentiment"].apply(sentiment_type)
-
-    daily_avg = news_df.groupby("date_day")["sentiment"].mean().reset_index(name="avg_sentiment")
+    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)
 
-    df_sorted = pd.merge(daily_avg, daily_counts, on="date_day").sort_values("date_day")
+    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("ข้อมูลไม่พอสร้างแนวโน้ม")
-        st.dataframe(news_df)
+        st.warning("มีข้อมูลข่าวไม่เพียงพอที่จะสร้างแนวโน้ม (น้อยกว่า 2 วัน)")
+        st.subheader("📰 รายการข่าว")
+        st.dataframe(news_df[["date", "source", "text", "sentiment", "url"]], use_container_width=True)
         return
 
-    # ดึงราคาหุ้น
+    # 2. ดึงราคาหุ้น
     _, symbol = resolve_company_symbol(keyword)
-    min_date, max_date = df_sorted["date_day"].min(), df_sorted["date_day"].max()
-    st.info(f"กำลังดึงราคาหุ้น {symbol} ...")
+    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)
 
-    plot_data = pd.merge(df_sorted, stock_df, left_on="date_day", right_on="date", how="left")
+    # 3. Merge ข้อมูล 2 ชุด (Sentiment & Stock)
+    plot_data = pd.merge(
+        df_sorted,
+        stock_df,
+        left_on="date_day",
+        right_on="date",
+        how="left"
+    )
 
-    # Correlation
+    # 4. (*** ใหม่ ***) คำนวณและตีความ Correlation
     correlation = plot_data['price'].corr(plot_data['avg_sentiment'])
-    corr_text = "ไม่มีความสัมพันธ์"
-    if correlation > 0.5:
-        corr_text = "มีความสัมพันธ์ในทิศทางเดียวกัน"
-    elif correlation < -0.5:
-        corr_text = "มีความสัมพันธ์ในทิศทางตรงข้าม"
-    st.metric("วิเคราะห์ความสัมพันธ์ระหว่างอารมณ์ของข่าวกับราคาหุ้น", corr_text, f"{correlation:.2f}")
-
-    # Forecast 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
-    train_data = plot_data.dropna(subset=['avg_sentiment'])
+    # 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))
 
-    if len(train_data) >= 2:
-        model_lr = LinearRegression()
-        model_lr.fit(train_data[["timestamp"]], train_data["avg_sentiment"])
+    # 6. (*** ใหม่ ***) แสดงผล Correlation Metric
+    st.metric(
+        label="วิเคราะห์ความสัมพันธ์ (Sentiment vs Price)",
+        value=corr_text,
+        delta=corr_delta
+    )
 
-        future_days = 7
-        future_timestamps = np.arange(
-            plot_data["timestamp"].max() + 1,
-            plot_data["timestamp"].max() + future_days + 1
+    # 7. ส���้างกราฟ (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
         )
-        future_dates = [plot_data["date_day"].max() + timedelta(days=i) for i in range(1, future_days + 1)]
-        future_preds = model_lr.predict(future_timestamps.reshape(-1, 1))
-
-    # Plot
-    fig = make_subplots(rows=2, cols=1, specs=[[{"secondary_y": True}], [{}]],
-                        row_heights=[0.7, 0.3], vertical_spacing=0.1,
-                        shared_xaxes=True)
-
-    # ราคาหุ้น
-    fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["price"], name=f"{symbol} Price",
-                             mode="lines+markers", line=dict(color="orange")), row=1, col=1, secondary_y=False)
-    # Sentiment จริง
-    fig.add_trace(go.Scatter(x=plot_data["date_day"], y=plot_data["avg_sentiment"], name="Actual Sentiment",
-                             mode="lines+markers", line=dict(color="blue")), row=1, col=1, secondary_y=True)
-    # Sentiment พยากรณ์
-    if "future_preds" in locals():
-        fig.add_trace(go.Scatter(x=future_dates, y=future_preds, name="Predicted Sentiment",
-                                 mode="lines+markers", line=dict(color="#05a0fa", dash="dash")), row=1, col=1, secondary_y=True)
-        # เส้นเชื่อม Actual -> Predicted
-        last_actual_date = plot_data["date_day"].max()
-        last_actual_value = plot_data["avg_sentiment"].iloc[-1]
-        first_pred_date = future_dates[0]
-        first_pred_value = future_preds[0]
-        fig.add_trace(go.Scatter(x=[last_actual_date, first_pred_date],
-                                 y=[last_actual_value, first_pred_value],
-                                 mode="lines",
-                                 line=dict(color="#05a0fa", dash="dot"),
-                                 name="Connector Actual→Predicted"), row=1, col=1, secondary_y=True)
-
-    # จำนวนข่าว
-    for col in ["neutral", "negative", "positive"]:
-        if col not in plot_data.columns:
-            plot_data[col] = 0
-    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)
-
-    fig.update_layout(title=f"แนวโน้มอารมณ์ของข่าว + ราคาหุ้น ({symbol})",
-                      barmode="stack", height=650, hovermode="x unified", template="plotly_white")
 
+    # --- 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)
 
-    # แสดงรายการข่าว
-    st.subheader("📰 รายการข่าวทั้งหมด")
-    st.dataframe(news_df[["date", "source", "text", "sentiment", "theme", "url"]], 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)
 
-# ---------------------------------------------------------
-# RUN APP
-# ---------------------------------------------------------
 if __name__ == "__main__":
     nltk.download("stopwords", quiet=True)
-    main()
+    main()