app.py

import streamlit as st
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics.pairwise import cosine_similarity

# Başlık
st.title("Laptop Öneri Sistemi")

# Excel dosyasını yükleme
uploaded_file = 'numeric_data_with_predictions.xlsx'

if uploaded_file:
    # Excel dosyasını okuma
    df = pd.read_excel(uploaded_file)

    # Sütun adlarını temizleme
    df.columns = df.columns.str.strip()

    # 'Urun Fiyati' sütununu temizleme
    def clean_price(value):
        if isinstance(value, str):
            value = value.replace('+', '').replace(' TL', '').replace('.', '').replace(',', '.').strip()
            try:
                return float(value)
            except ValueError:
                return 0
        return value

    df['Urun Fiyati'] = df['Urun Fiyati'].apply(clean_price)

    # Fiyat aralığı seçimi
    st.sidebar.header("Fiyat Aralığı Seçimi")
    min_price = st.sidebar.number_input("Minimum Fiyat", value=float(df['Urun Fiyati'].min()), min_value=0.0, max_value=float(df['Urun Fiyati'].max()))
    max_price = st.sidebar.number_input("Maksimum Fiyat", value=float(df['Urun Fiyati'].max()), min_value=0.0, max_value=float(df['Urun Fiyati'].max()))

    # İşlemci tipi seçimi
    st.sidebar.header("İşlemci Tipi Seçimi")
    processor_options = df['İşlemci Tipi'].unique()
    selected_processor = st.sidebar.selectbox("İşlemci Tipi Seçin", options=processor_options)

    # Seçilen işlemci tipine göre ekran kartı seçeneklerini güncelleme
    filtered_gpu_options = df[df['İşlemci Tipi'] == selected_processor]['Ekran Kartı'].unique()
    
    # Ekran kartı seçimi
    st.sidebar.header("Ekran Kartı Seçimi")
    selected_gpu = st.sidebar.selectbox("Ekran Kartı Seçin", options=filtered_gpu_options)

    # Kullanıcının belirlediği fiyat aralığında ürünleri filtreleme
    filtered_df = df[(df['Urun Fiyati'] >= min_price) & (df['Urun Fiyati'] <= max_price) &
                     (df['İşlemci Tipi'] == selected_processor) &
                     (df['Ekran Kartı'] == selected_gpu)]

    # Eğer filtrelenmiş veri boş değilse, benzerlik hesaplayalım
    if not filtered_df.empty:
        # Fiyat verilerini normalleştirme
        scaler = MinMaxScaler()
        df_scaled = pd.DataFrame(scaler.fit_transform(filtered_df[['Urun Fiyati']]), columns=['Urun Fiyati'])

        # Kullanıcı verisini normalleştirme (ortalama fiyatı olarak)
        user_price = (min_price + max_price) / 2
        user_data_scaled = scaler.transform([[user_price]])

        # Cosine benzerliğini hesaplama
        similarities = cosine_similarity(df_scaled, user_data_scaled)

        # Benzerlik skorunu DataFrame'e ekleme ve sıralama
        filtered_df['Benzerlik'] = similarities.flatten()
        similar_laptops = filtered_df.sort_values(by='Benzerlik', ascending=False).head(10)  # En benzer 10 laptopu göster

        # Yüksek fiyatlı ve düşük PUAN'lı ürünleri bulma
        high_price_laptops = similar_laptops.nlargest(5, 'Urun Fiyati')
        
        # Eşsiz Ram ve SSD kombinasyonlarını elde etme
        min_puan_laptops = high_price_laptops.groupby(['Ram (Sistem Belleği)', 'SSD Kapasitesi']).apply(lambda x: x.nsmallest(1, 'PUAN')).reset_index(drop=True)

        # Sonuçları gösterme
        st.subheader("Önerilen Laptoplar")
        st.write("Aşağıda belirtilen fiyat aralığında en benzer laptoplar listelenmiştir:")

        # DataFrame için stil uygulama
        def highlight_rows(row):
            # Min puan laptopların isimlerini bir listeye al
            min_puan_names = min_puan_laptops['Urun Ismi'].values
            
            # Rastgele 3 tane laptop seçme
            if row['Urun Ismi'] in min_puan_names:
                return ['background-color: turquoise'] * len(row)  # Turkuaz rengi
            return [''] * len(row)

        # DataFrame'i gösterme
        # 1. Verileri oluşturma
        display_df = similar_laptops[['Urun Ismi', 'Urun Fiyati', 'Tahmin Edilen Fiyat', 'Marka', 
                                       'SSD Kapasitesi', 'Ram (Sistem Belleği)', 
                                       'PUAN', 'SATICI', 'İşlemci Tipi', 'Ekran Kartı']]

        # 2. Sayısal sütunları sayıya çevirme
        for col in ['Urun Fiyati', 'SSD Kapasitesi', 'Ram (Sistem Belleği)', 'PUAN']:
            display_df[col] = pd.to_numeric(display_df[col], errors='coerce')

        # 3. Sütunlardaki sayısal değerleri iki ondalık basamağa yuvarlama ve formatlama
        styled_df = display_df.style.format({
            'Urun Fiyati': "{:.2f}",
            'SSD Kapasitesi': "{:.0f}",
            'Ram (Sistem Belleği)': "{:.0f}",
            'PUAN': "{:.0f}"
        })

        # 4. Eğer en az 10 laptop varsa stil uygulama
        if len(similar_laptops) >= 10:
            styled_df = styled_df.apply(highlight_rows, axis=1)

        # 5. Sonuçları Streamlit'e gönderme
        st.dataframe(styled_df)

    else:
        st.write("Belirtilen fiyat aralığında ürün bulunmamaktadır. Lütfen fiyat aralığını genişletin veya farklı bir arama yapın.")

else:
    st.write("Lütfen bir Excel dosyası yükleyin.")