app.py

import streamlit as st
import pandas as pd
import numpy as np
from sklearn.decomposition import LatentDirichletAllocation
from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
from konlpy.tag import Okt
import re
import altair as alt
import networkx as nx
import io
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import colorsys
from gensim.models import CoherenceModel
import gensim.corpora as corpora
from anthropic import Anthropic  # ✅ 레거시 HUMAN_PROMPT, AI_PROMPT 제거
import os

# Streamlit 페이지 설정
st.set_page_config(layout="wide", page_title="📊 토픽모델링 for SK", page_icon="📊")

# KoNLPy 형태소 분석기 초기화
@st.cache_resource
def load_okt():
    return Okt()

okt = load_okt()

# 기본 불용어 목록
default_stop_words = ['이', '그', '저', '것', '수', '등', '들', '및', '에서', '그리고', '그래서', '또는', '그런데', '의', '대한', '간의']

@st.cache_data
def preprocess_text(text, stop_words):
    text = re.sub(r'[^가-힣\s]', '', str(text))
    _okt = load_okt()  # ✅ 캐시 안전하게 형태소 분석기 로드
    nouns = _okt.nouns(text)
    processed = [word for word in nouns if word not in stop_words and len(word) > 1]
    return ' '.join(processed)

# Perplexity와 Coherence 계산 함수
@st.cache_data
def calculate_perplexity_coherence(df, text_column, stop_words, topic_range):
    df = df.copy()  # ✅ 원본 DataFrame 변경 방지
    df['processed_text'] = df[text_column].apply(lambda x: preprocess_text(x, stop_words))
    vectorizer = CountVectorizer(max_df=0.95, min_df=2)
    doc_term_matrix = vectorizer.fit_transform(df['processed_text'])
    words = vectorizer.get_feature_names_out()

    perplexities = []
    coherences = []
    dictionary = corpora.Dictionary([text.split() for text in df['processed_text']])
    corpus = [dictionary.doc2bow(text.split()) for text in df['processed_text']]

    for n_topics in topic_range:
        lda = LatentDirichletAllocation(n_components=n_topics, random_state=42)
        lda_output = lda.fit_transform(doc_term_matrix)

        # Perplexity 계산
        perplexity = lda.perplexity(doc_term_matrix)
        perplexities.append(perplexity)

        # Coherence 계산
        lda_topics = [[words[i] for i in topic.argsort()[:-10 - 1:-1]] for topic in lda.components_]
        coherence_model_lda = CoherenceModel(topics=lda_topics, texts=[text.split() for text in df['processed_text']], dictionary=dictionary, coherence='c_v')
        coherence = coherence_model_lda.get_coherence()
        coherences.append(coherence)

    # Perplexity 변화율 계산 (감소율)
    perplexity_diffs = [-((perplexities[i] - perplexities[i-1]) / perplexities[i-1]) 
                        if i > 0 else 0 for i in range(len(perplexities))]
    
    # Coherence 변화율 계산 (증가율)
    coherence_diffs = [(coherences[i] - coherences[i-1]) / coherences[i-1] 
                       if i > 0 else 0 for i in range(len(coherences))]
    
    # Combined Score 계산
    combined_scores = []
    for p_diff, c_diff in zip(perplexity_diffs, coherence_diffs):
        if p_diff > 0 and c_diff > 0:
            combined_score = 2 / ((1/p_diff) + (1/c_diff))
        else:
            combined_score = 0
        combined_scores.append(combined_score)

    return perplexities, coherences, combined_scores, perplexity_diffs, coherence_diffs

# Perplexity 및 Coherence 그래프 그리기
def plot_perplexity_coherence(topic_range, perplexities, coherences):
    df_metrics = pd.DataFrame({
        '토픽 수': list(topic_range),
        'Perplexity': perplexities,
        'Coherence': coherences
    })

    chart1 = alt.Chart(df_metrics).mark_line().encode(
        x=alt.X('토픽 수:Q', title='토픽 수', axis=alt.Axis(tickCount=len(list(topic_range)), values=list(topic_range))),
        y=alt.Y('Perplexity:Q', title='Perplexity', scale=alt.Scale(type='log')),
        tooltip=['토픽 수', 'Perplexity']
    ).properties(
        width=600,
        height=400,
        title='Perplexity vs 토픽 수'
    )
    
    chart2 = alt.Chart(df_metrics).mark_line(color='orange').encode(
        x=alt.X('토픽 수:Q', title='토픽 수', axis=alt.Axis(tickCount=len(list(topic_range)), values=list(topic_range))),
        y=alt.Y('Coherence:Q', title='Coherence'),
        tooltip=['토픽 수', 'Coherence']
    ).properties(
        width=600,
        height=400,
        title='Coherence vs 토픽 수'
    )

    st.altair_chart(chart1, use_container_width=True)
    st.altair_chart(chart2, use_container_width=True)
    
    best_coherence_index = np.argmax(coherences)
    best_topic_count = list(topic_range)[best_coherence_index]
    st.markdown(f"**추천 토픽 수**: Coherence 값이 가장 높은 **{best_topic_count}개의 토픽**")

# LDA 및 TF-IDF 상위 단어를 포함한 토픽 모델링 수행
def perform_topic_modeling(df, text_column, num_topics, stop_words):
    df = df.copy()  # ✅ 원본 DataFrame 변경 방지
    df['processed_text'] = df[text_column].apply(lambda x: preprocess_text(x, stop_words))
    
    vectorizer = CountVectorizer(max_df=0.95, min_df=2)
    doc_term_matrix = vectorizer.fit_transform(df['processed_text'])

    lda = LatentDirichletAllocation(n_components=num_topics, random_state=42)
    lda_output = lda.fit_transform(doc_term_matrix)

    tfidf_vectorizer = TfidfVectorizer(max_df=0.95, min_df=2)
    tfidf_matrix = tfidf_vectorizer.fit_transform(df['processed_text'])

    feature_names = vectorizer.get_feature_names_out()

    topic_results = []

    for idx, topic in enumerate(lda.components_):
        lda_top_words = sorted([(feature_names[i], topic[i]) for i in range(len(topic))], key=lambda x: x[1], reverse=True)[:10]
        topic_docs = lda_output[:, idx].argsort()[::-1][:100]
        topic_tfidf = tfidf_matrix[topic_docs].mean(axis=0).A1
        tfidf_top_words = sorted([(feature_names[i], topic_tfidf[i]) for i in range(len(topic_tfidf))], key=lambda x: x[1], reverse=True)[:10]
        weight = lda_output[:, idx].mean() * 100
        
        topic_name = ", ".join([word for word, _ in lda_top_words[:5]])
        
        topic_results.append({
            'topic_num': idx + 1,
            'topic_name': topic_name,
            'lda_words': [word for word, _ in lda_top_words],
            'tfidf_words': [word for word, _ in tfidf_top_words],
            'weight': weight
        })

    return topic_results, lda, lda_output, tfidf_matrix, feature_names

# 토픽 단어 네트워크 그래프 생성
def create_network_graph(topic_results, num_words=10):
    G = nx.Graph()
    colors = generate_colors(len(topic_results))
    
    for idx, topic in enumerate(topic_results):
        words = topic['lda_words'][:num_words]
        color = colors[idx]
        
        for word in words:
            if not G.has_node(word):
                G.add_node(word, color=color)
            
        for i in range(len(words)):
            for j in range(i+1, len(words)):
                if not G.has_edge(words[i], words[j]):
                    G.add_edge(words[i], words[j])
    
    return G

# 네트워크 그래프 시각화 및 다운로드
def plot_network_graph(G):
    # ✅ 폰트 파일 경로 유연하게 처리
    font_path = "./NanumBarunGothic.ttf"
    if not os.path.exists(font_path):
        # HuggingFace Spaces 대체 경로 시도
        alt_paths = [
            "/usr/share/fonts/truetype/nanum/NanumBarunGothic.ttf",
            "/usr/share/fonts/NanumBarunGothic.ttf",
        ]
        for alt_path in alt_paths:
            if os.path.exists(alt_path):
                font_path = alt_path
                break
    
    if os.path.exists(font_path):
        font_prop = fm.FontProperties(fname=font_path)
        plt.rcParams['font.family'] = font_prop.get_name()
    else:
        font_prop = fm.FontProperties()
        # 시스템 기본 폰트 사용 (한글 깨질 수 있음)
        st.warning("한글 폰트 파일을 찾을 수 없습니다. NanumBarunGothic.ttf를 앱 루트에 배치해주세요.")

    plt.figure(figsize=(12, 8))
    
    pos = nx.spring_layout(G, k=0.5, iterations=50, seed=42)
    node_colors = [G.nodes[node]['color'] for node in G.nodes()]
    
    nx.draw(G, pos, node_color=node_colors, with_labels=False, node_size=1000, 
            edge_color='gray', width=0.5)
    
    for node, (x, y) in pos.items():
        plt.text(x, y, node, fontsize=8, ha='center', va='center', 
                 fontproperties=font_prop, fontweight='bold',
                 bbox=dict(facecolor='white', edgecolor='none', alpha=0.7))
    
    plt.title("토픽 단어 네트워크", fontsize=16, fontproperties=font_prop)
    plt.axis('off')
    
    img_bytes = io.BytesIO()
    plt.savefig(img_bytes, format='png', dpi=300, bbox_inches='tight')
    img_bytes.seek(0)
    plt.close()
    
    return img_bytes

# 색상 생성
def generate_colors(n):
    HSV_tuples = [(x * 1.0 / n, 0.5, 0.9) for x in range(n)]
    return ['#%02x%02x%02x' % tuple(int(x*255) for x in colorsys.hsv_to_rgb(*hsv)) for hsv in HSV_tuples]

# 토픽 요약 테이블 생성
def display_topic_summary(topic_results):
    topic_summary_df = pd.DataFrame([
        {
            '토픽 번호': f"토픽{info['topic_num']}",
            '비중': f"{info['weight']:.1f}%",
            'LDA 상위 단어': ", ".join(info['lda_words'][:10]),
            'TF-IDF 상위 단어': ", ".join(info['tfidf_words'][:10])
        } for info in topic_results
    ])
    st.table(topic_summary_df)

# ✅ Claude API — Messages API로 전면 교체
def interpret_topics_full(api_key, topic_results):
    client = Anthropic(api_key=api_key)
    
    prompt = f"""다음은 LDA 토픽 모델링 결과로 나온 각 토픽의 정보입니다. 이를 바탕으로 전체 토픽을 종합적으로 해석해주세요:
    
    {", ".join([f"토픽 {info['topic_num']} ({info['weight']:.1f}%)" for info in topic_results])}
    각 토픽의 주요 단어:
    """
    for info in topic_results:
        prompt += f"""
    토픽 {info['topic_num']} (비중: {info['weight']:.1f}%):
    LDA 상위 단어: {', '.join(info['lda_words'][:10])}
    TF-IDF 상위 단어: {', '.join(info['tfidf_words'][:10])}
    """
    
    prompt += """
    위 정보를 바탕으로 다음 형식에 맞춰 답변해주세요:
    1. 전체 문서의 주제 요약 (3-4문장):
       [여기에 전체 문서의 주제를 종합적으로 설명해주세요. 각 토픽의 비중을 고려하여 중요도를 반영해주세요.]
    2. 각 토픽 요약:
       [각 토픽에 대해 다음 형식으로 요약해주세요]
       토픽[번호] "[토픽명]" [비중]%
       • LDA 상위 단어 10개: [LDA 상위 단어 10개를 쉼표로 구분하여 나열]
       • TF-IDF 상위 단어 10개: [TF-IDF 상위 단어 10개를 쉼표로 구분하여 나열]
       • 토픽명 설명: [토픽명이 이렇게 지어진 이유를 1-2문장으로 설명해주세요. LDA와 TF-IDF 상위 단어들이 어떻게 이 토픽명과 연관되는지 설명하세요.]
       • 토픽 설명: [2-3문장으로 토픽의 전반적인 내용을 설명해주세요.]
    주의사항:
    1. 토픽명은 "[구체적인 토픽명]" 형식으로 작성해주세요. 반드시 8어절 이상으로 구체적이고 설명적으로 작성해야 합니다. 
    2. 예시: "구성원의 전문성 향상을 위한 체계적인 학습과 역량 개발 방안 모색", "조직의 장기적 성과 향상을 위한 핵심 학습 역량 강화 전략", 
       "현재 컬리지 멤버들의 역할 고민과 향후 발전 방향에 대한 논의" 등
    3. 토픽명은 단순히 단어를 나열하는 것이 아니라, 토픽의 핵심 주제나 의미를 잘 나타내는 구체적이고 설명적인 문구로 만들어주세요.
    4. 각 토픽의 LDA 상위 단어와 TF-IDF 상위 단어 10개를 반드시 포함해주세요.
    위 형식에 맞춰 답변해주세요. 사용자가 쉽게 복사하여 사용할 수 있도록 간결하고 명확하게 작성해주세요.
    """
    
    try:
        # ✅ Messages API 사용 (2024년 이후 표준)
        message = client.messages.create(
            model="claude-sonnet-4-5-20250929",  # ✅ 최신 모델로 업데이트
            max_tokens=4096,
            messages=[
                {"role": "user", "content": prompt}
            ]
        )
        return message.content[0].text
    except Exception as e:
        return f"Claude API 호출 중 오류가 발생했습니다: {str(e)}"

# CSV 다운로드 버튼 추가
def download_topic_assignment(df, key_suffix=''):
    csv = df.to_csv(index=False)
    st.download_button(
        label="토픽 할당 데이터 다운로드",
        data=csv,
        file_name='topic_assignment.csv',
        mime='text/csv',
        key=f"download_button_{key_suffix}"
    )

# 스타일 설정
st.markdown("""
<style>
    .css-1adrfps {
        padding: 0px;
    }
    .css-1kyxreq {
        padding: 10px;
    }
    .topic-summary {
        background-color: #f0f2f6;
        border-left: 5px solid #4e8098;
        padding: 10px;
        margin-bottom: 10px;
    }
    .small-title {
        font-size: 24px;
    }
    .header-text {
        color: #707070;
        text-align: right;
        width: 100%;
        padding: 10px;
    }
</style>
<div class="header-text">
    mySUNI Crystal.B
</div>
""", unsafe_allow_html=True)

st.markdown('<h1 class="small-title">📊토픽모델링 for SK</h1>', unsafe_allow_html=True)

# 사이드바 설정
with st.sidebar:
    st.header('설정하기')
    
    api_key = st.text_input("Claude API 키를 입력하세요", type="password")
    if not api_key:
        api_key = os.environ.get("ANTHROPIC_API_KEY")
    
    st.caption("Claude API가 있으면 토픽 종합 해석까지 가능합니다. 공백으로 두면 기본적인 결과만 나옵니다.")
    
    stop_words_input = st.text_area("불용어 목록 (쉼표로 구분)", ', '.join(default_stop_words))
    stop_words = [word.strip() for word in stop_words_input.split(',') if word.strip()]

    st.caption("결과를 보고 업데이트해주세요.")
    
    uploaded_file = st.file_uploader("CSV 파일을 업로드하세요", type="csv")

    st.caption("csv-UTF 형식을 사용해주세요!")

# 데이터 로드 및 초기 설정
if uploaded_file is not None:
    try:
        df = pd.read_csv(uploaded_file)
        if df.empty:
            st.error("CSV 파일에 데이터가 없습니다.")
        else:
            st.success("파일이 성공적으로 업로드되었습니다.")
            st.subheader("데이터 미리보기")
            st.write(df.head())

            text_column = st.selectbox("텍스트 컬럼을 선택하세요", df.columns)
            num_topics = st.slider("토픽 수를 선택하세요", 2, 20, 5)
            
            # 탭 설정
            tab1, tab2, tab3 = st.tabs(["토픽 수 결정", "전체 분석", "조건부 분석"])

            # 탭 1: 토픽 수 결정
            with tab1:
                st.header("토픽 수 결정")
            
                topic_range = st.slider("토픽 수 범위 선택", min_value=2, max_value=20, value=(2, 10), step=1)
            
                if st.button("Perplexity 및 Coherence 계산"):
                    topic_range_list = list(range(topic_range[0], topic_range[1] + 1))  # ✅ 명시적 리스트 변환
                    perplexities, coherences, combined_scores, perplexity_diffs, coherence_diffs = calculate_perplexity_coherence(df, text_column, stop_words, topic_range_list)
                    
                    plot_perplexity_coherence(topic_range_list, perplexities, coherences)
                    
                    df_metrics_combined = pd.DataFrame({
                        '토픽 수': topic_range_list,
                        'Combined Score': combined_scores
                    })

                    chart3 = alt.Chart(df_metrics_combined).mark_line(color='green').encode(
                        x=alt.X('토픽 수:Q', title='토픽 수', axis=alt.Axis(tickCount=len(topic_range_list), values=topic_range_list)),
                        y=alt.Y('Combined Score:Q', title='Combined Score'),
                        tooltip=['토픽 수', 'Combined Score']
                    ).properties(
                        width=600,
                        height=400,
                        title='Combined Score vs 토픽 수'
                    )
                
                    st.altair_chart(chart3, use_container_width=True)
                
                    best_combined_index = np.argmax(combined_scores)
                    best_topic_count = topic_range[0] + best_combined_index
                
                    st.markdown(f"""
                    **추천 토픽 수**: Perplexity와 Coherence의 변화율을 종합적으로 고려하면 **{best_topic_count}개의 토픽**을 추천합니다.
                
                    - Perplexity 감소율이 가장 큰 토픽 수: {topic_range[0] + np.argmax(perplexity_diffs)}
                    - Coherence 증가율이 가장 큰 토픽 수: {topic_range[0] + np.argmax(coherence_diffs)}
                    - Combined Score가 가장 높은 토픽 수: {best_topic_count}
                    """)

            # 탭 2: 전체 분석
            with tab2:
                st.header("전체 데이터 분석 결과")
                
                with st.spinner("토픽 모델링 실행 중..."):
                    topic_results, lda, lda_output, tfidf_matrix, feature_names = perform_topic_modeling(df, text_column, num_topics, stop_words)

                display_topic_summary(topic_results)
                
                st.header("토픽 비중 그래프")
                df_weights = pd.DataFrame({
                    '토픽': [f'토픽 {i+1}' for i in range(num_topics)],
                    '비중': [result['weight'] for result in topic_results]
                })

                colors = generate_colors(num_topics)

                chart = alt.Chart(df_weights).mark_bar().encode(
                    x=alt.X('토픽:N', axis=alt.Axis(labelAngle=0)),
                    y=alt.Y('비중:Q', axis=alt.Axis(format=',.1f')),
                    color=alt.Color('토픽:N', scale=alt.Scale(range=colors))
                ).properties(
                    width=600,
                    height=400,
                    title='문서 내 토픽 비중 (%)'
                )

                text = chart.mark_text(
                    align='center',
                    baseline='bottom',
                    dy=-5
                ).encode(
                    text=alt.Text('비중:Q', format='.1f')
                )

                st.altair_chart(chart + text, use_container_width=True)

                st.header("토픽 단어 네트워크 그래프")
                G = create_network_graph(topic_results, num_words=20)
                img_bytes = plot_network_graph(G)
                st.image(img_bytes, caption="토픽별 상위 20개 단어 네트워크", use_container_width=True)  # ✅ use_container_width

                st.download_button(
                    label="네트워크 그래프 다운로드",
                    data=img_bytes,
                    file_name="topic_network_graph.png",
                    mime="image/png",
                )

                df_with_topic = df.copy()  # ✅ 원본 보존
                df_with_topic['topic'] = lda_output.argmax(axis=1) + 1
                download_topic_assignment(df_with_topic, key_suffix='전체분석')

                if api_key:
                    st.subheader("토픽 종합 해석")
                    with st.spinner("Claude AI로 토픽 해석 중..."):
                        interpretation = interpret_topics_full(api_key, topic_results)
                        st.text_area("해석 결과", value=interpretation, height=300)

            # 탭 3: 조건부 분석
            with tab3:
                st.header("조건부 분석 결과")
            
                condition_column = st.selectbox("조건부 분석에 사용할 변수를 선택하세요", df.columns)
                
                if pd.api.types.is_numeric_dtype(df[condition_column]):
                    min_val, max_val = df[condition_column].min(), df[condition_column].max()
                    analysis_method = st.radio("분석 방법 선택", ["범위 선택", "임계값 기준"])
                    
                    if analysis_method == "범위 선택":
                        ranges = st.slider(f"{condition_column} 범위 선택", float(min_val), float(max_val), (float(min_val), float(max_val)), step=0.1)
                        conditions = [((df[condition_column] >= ranges[0]) & (df[condition_column] <= ranges[1]), f"{ranges[0]} ~ {ranges[1]}")]
                    else:
                        threshold = st.number_input(f"{condition_column} 임계값 설정", min_value=float(min_val), max_value=float(max_val), value=float((min_val + max_val) / 2))
                        conditions = [
                            (df[condition_column] < threshold, f"{condition_column} < {threshold}"),
                            (df[condition_column] >= threshold, f"{condition_column} >= {threshold}")
                        ]
                else:
                    unique_values = df[condition_column].unique()
                    selected_values = st.multiselect(f"{condition_column} 값 선택", unique_values, default=list(unique_values))  # ✅ list() 변환
                    conditions = [(df[condition_column] == value, str(value)) for value in selected_values]
            
                num_topics_cond = st.slider("토픽 수를 선택하세요", 2, 20, 5, key="조건부토픽수")
            
                if st.button("조건부 토픽 모델링 실행"):
                    for condition, condition_name in conditions:
                        st.subheader(f"조건: {condition_name}")
                        
                        filtered_df = df[condition].copy()  # ✅ copy() 추가
                        
                        if filtered_df.empty:
                            st.warning(f"조건 '{condition_name}'에 해당하는 데이터가 없습니다.")
                            continue
                        
                        topic_results, lda, lda_output, tfidf_matrix, feature_names = perform_topic_modeling(filtered_df, text_column, num_topics_cond, stop_words)
                        
                        display_topic_summary(topic_results)
            
                        st.write("토픽 단어 네트워크 그래프")
                        G = create_network_graph(topic_results, num_words=20)
                        img_bytes = plot_network_graph(G)
                        st.image(img_bytes, caption=f"토픽별 상위 20개 단어 네트워크 (조건: {condition_name})", use_container_width=True)  # ✅ use_container_width
            
                        st.download_button(
                            label=f"네트워크 그래프 다운로드 (조건: {condition_name})",
                            data=img_bytes,
                            file_name=f"topic_network_graph_{condition_name}.png",
                            mime="image/png",
                            key=f"download_graph_{condition_name}"
                        )
            
                        topic_column_name = f'topic_{condition_column}'
                        filtered_df[topic_column_name] = lda_output.argmax(axis=1) + 1
                        download_topic_assignment(filtered_df, key_suffix=f'조건부분석_{condition_name}')
            
                        if api_key:
                            st.subheader(f"조건부 분석 종합 해석 (조건: {condition_name})")
                            with st.spinner(f"Claude AI로 조건부 토픽 해석 중... (조건: {condition_name})"):
                                interpretation = interpret_topics_full(api_key, topic_results)
                                st.text_area(f"해석 결과 (조건: {condition_name})", value=interpretation, height=300, key=f"interpretation_{condition_name}")
                        
                        st.markdown("---")

                            
    except pd.errors.EmptyDataError:
        st.error("업로드된 CSV 파일이 비어있습니다. 다시 확인해주세요.")
    except UnicodeDecodeError:
        st.error("파일 인코딩에 문제가 있습니다. UTF-8 인코딩으로 저장된 CSV 파일을 사용해주세요.")
    except Exception as e:
        st.error(f"파일을 읽는 중 오류가 발생했습니다: {str(e)}")
else:
    st.info("CSV 파일을 업로드해주세요.")

# 푸터 추가
st.markdown("""
---
© 2025 SK mySUNI 행복 College. All rights reserved. 문의사항이 있으시면 연락주세요 (배수정RF, soojeong.bae@sk.com)
""")