Upload 3 files

app.py

@@ -0,0 +1,113 @@
+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 = 'C:/Users/AHMET K/Desktop/Proje_Trendyol/Trendyol_Products60_Sayfa.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. Fiyatları iki ondalık haneli olarak yuvarlama
+        display_df['Urun Fiyati'] = display_df['Urun Fiyati'].round(2)
+        display_df['Tahmin Edilen Fiyat'] = display_df['Tahmin Edilen Fiyat'].round(2)
+
+        # 3. Eğer en az 10 laptop varsa stil uygulama
+        if len(similar_laptops) >= 10:
+            styled_df = display_df.style.apply(highlight_rows, axis=1)
+        else:
+            styled_df = display_df.style  # Highlighting won't apply if fewer than 10 laptops
+
+        # 4. 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.")

requirements.txt

@@ -0,0 +1,4 @@
+streamlit
+pandas
+scikit-learn
+openpyxl