app.py

import pandas as pd
import datetime
import os
import base64
from catboost import CatBoostClassifier, Pool
import streamlit as st

st.set_page_config(
    page_title="Hockey Match Prediction",
    page_icon="🏒",
    layout="wide"
)

# Функция загрузки данных
@st.cache_data
def load_data():
    df = pd.read_csv("/home/savr/rink_master/rink_master_47816_wteams.csv")
    df['gameDate'] = pd.to_datetime(df['gameDate'])
    
    # Извлечение года и месяца, и создание нового столбца Season
    df["Year"] = df["gameDate"].dt.year
    df["Month"] = df["gameDate"].dt.month
    df["Season"] = df["Year"].astype(str) + "-" + (df["Year"] + 1).astype(str)
    
    # Создание SeasonWeight и NormalizedWeight
    seasons = df["Season"].unique()
    season_weights = {season: i + 1 for i, season in enumerate(sorted(seasons))}
    max_season_weight = max(season_weights.values())
    min_season_weight = min(season_weights.values())
    df["SeasonWeight"] = df["Season"].map(season_weights)
    df["NormalizedWeight"] = (df["SeasonWeight"] - min_season_weight) / (
        max_season_weight - min_season_weight
    )
    df["Weights"] = df.groupby("Season")["NormalizedWeight"].transform("mean")
    
    
    return df

data = load_data()


# Определение результата
def determine_result(row):
    if (
        row["Win"] != 0
        or row["regulationWins"] != 0
        or row["regulationAndOtWins"] != 0
        or row["shootoutWins"] != 0
    ):
        return 1  # Победа
    elif row["Loss"] != 0 or row["OTLoss"] != 0:
        return 0  # Поражение
    else:
        return -1  # Неопределено

data["Result"] = data.apply(determine_result, axis=1)

# Маппинг команд на числовые значения
fullname_to_code = {
    "New Jersey Devils": 1, "New York Islanders": 2, "New York Rangers": 3,
    "Philadelphia Flyers": 4, "Pittsburgh Penguins": 5, "Boston Bruins": 6,
    "Buffalo Sabres": 7, "Montréal Canadiens": 8, "Ottawa Senators": 9,
    "Toronto Maple Leafs": 10, "Carolina Hurricanes": 11, "Florida Panthers": 12,
    "Tampa Bay Lightning": 13, "Washington Capitals": 14, "Chicago Blackhawks": 15,
    "Detroit Red Wings": 16, "Nashville Predators": 17, "St. Louis Blues": 18,
    "Calgary Flames": 19, "Colorado Avalanche": 20, "Edmonton Oilers": 21,
    "Vancouver Canucks": 22, "Anaheim Ducks": 23, "Dallas Stars": 24,
    "Los Angeles Kings": 25, "San Jose Sharks": 26, "Columbus Blue Jackets": 27,
    "Minnesota Wild": 28, "Winnipeg Jets": 29, "Arizona Coyotes": 30,
    "Vegas Golden Knights": 31, "Seattle Kraken": 32,
}

data["Team"] = data["Team"].map(fullname_to_code)
data["Opponent"] = data["Opponent"].map(fullname_to_code)

# Разделение данных на обучающую и тестовую выборки
train = data[data["gameDate"] < "2023-10-10"]
test = data[data["gameDate"] >= "2023-10-10"]

# Определение колонок, которые будут удалены
features_to_drop = [
    "Result", "gameDate", "gameID", "gamesPlayed", "Win", "Loss", "Tie",
    "OTLoss", "points", "pointPct", "regulationWins", "regulationAndOtWins",
    "shootoutWins", "goalsFor", "goalsAgainst", "goalsForPerGame",
    "goalsAgainstPerGame", "powerPlayPct", "penaltyKillPct", "powerPlayNetPct",
    "penaltyKillNetPct", "shotsForPerGame", "shotsAgainstPerGame",
    "faceoffWinPct", "Year", "Month", "Season", "NonRegulationTime",
    "SeasonWeight", "NormalizedWeight"
]

code_to_fullname = {v: k for k, v in fullname_to_code.items()}  # Создание обратного маппинга

# Убедитесь, что колонки для удаления существуют в данных
features_to_drop = [col for col in features_to_drop if col in train.columns]

# Обновление признаков, включая Weight
X_train = train.drop(columns=features_to_drop)
y_train = train["Result"]
X_test = test.drop(columns=features_to_drop)
y_test = test["Result"]


# Функция для загрузки модели CatBoost
@st.cache_resource
def load_catboost_model(file_path):
    try:
        model = CatBoostClassifier()
        model.load_model(file_path)
        # st.write(f"Тип загруженной модели: {type(model)}")  # Для отладки
        return model
    except Exception as e:
        st.write(f"Ошибка при загрузке модели CatBoost: {e}")
        return None

model_path = "/home/savr/rink_master/catboost_model.cb"
model = load_catboost_model(model_path)

# # Проверка признаков
# model_feature_names = model.feature_names_
# st.write("Признаки модели:", model_feature_names)
# st.write("Признаки в данных для обучения:", X_train.columns.tolist())

# Маппинг для homeRoad
home_road_mapping = {
    1: "На выезде",
    0: "Дома"
}

win_mapping = {
    1: "Победа",
    0: "Не победа: Поражение или Ничья"
}


# Функция для предсказания исхода
def predict_winner(row, model):
    # print(f"Тип модели в predict_winner: {type(model)}")  # Для отладки
    try:
        # Подготовка входных данных
        features = pd.DataFrame([row], columns=X_train.columns).fillna(0)
        
        # Создание объекта Pool для CatBoost
        pool = Pool(data=features, feature_names=X_train.columns.tolist())

        # Сделайте предсказание
        prediction = model.predict(pool)
        prediction_proba = model.predict_proba(pool)
        # st.write(f"Предсказание: {prediction}, вероятность: {prediction_proba}")  # Для отладки
        
        # Верните результат и вероятность
        result = 'Победа с вероятностью' if prediction[0] == 1 else 'Не победа: Поражение или Ничья с вероятностью'
        probability = prediction_proba[0][1] if prediction[0] == 1 else prediction_proba[0][0]
        
        return result, probability
        
    except Exception as e:
        print(f"Ошибка при предсказании: {e}")
        return "Ошибка"


st.markdown(
    """
    <style>
    @import url('https://fonts.googleapis.com/css2?family=Anton:wght@400;700&display=swap');
    
    .title {
        font-size: 48px;
        font-weight: 700;
        color: #0A74DA; /* Темно-голубой цвет */
        font-family: 'Anton', sans-serif; /* шрифт Anton */
        text-transform: uppercase; /* все буквы заглавные */
        text-shadow: 2px 2px 4px #000000; /* тень текста */
        margin-bottom: 20px;
        text-align: center; /* Центрирование текста */
    }

    .title-container {
        background: rgba(255, 255, 255, 1.0); /* Белый фон */
        padding: 10px;
        border-radius: 10px;
        margin-bottom: 20px;
        display: inline-block;
        width: 100%; /* Занимает всю ширину, чтобы текст был по центру */
    }

    .stApp {
        display: flex;
        justify-content: center;
        align-items: center;
        min-height: 100vh;
        flex-direction: column;
    }

    .stMarkdown, .stTable, .stDataFrame, .stForm, .stTextInput, .stDateInput, .stSelectbox {
        background: rgba(255, 255, 255, 1.0); /* Белый фон */
        border-radius: 10px;
        padding: 10px;
        margin-bottom: 20px;
        display: inline-block; /* Чтобы контейнеры не растягивались */
        max-width: fit-content; /* Максимальная ширина по содержимому */
    }

    </style>
    """,
    unsafe_allow_html=True
)


st.markdown('<div class="title-container"><h1 class="title">Предсказание исходов хоккейных матчей NHL 🏒🥅🏆</h1></div>', unsafe_allow_html=True)


# Добавление навигации по страницам
st.sidebar.markdown("## Навигация")
page = st.sidebar.selectbox("Выберите страницу", ["Основная", "Графики"])

if page == "Основная":
    st.sidebar.title("Поиск по фильтрам")

    selected_date = st.sidebar.date_input("Выберите дату", value=datetime.date(2023, 10, 8), key="date_input")
    selected_team = st.sidebar.selectbox("Выберите команду", options=["Все"] + list(fullname_to_code.keys()), key="team_select")
    selected_opponent = st.sidebar.selectbox("Выберите оппонента", options=["Все"] + list(fullname_to_code.keys()), key="opponent_select")
    selected_home_road = st.sidebar.selectbox("Где играет команда?", options=["Все", "Дома", "На выезде"], key="home_road_select")

    # Фильтрация данных по выбранным критериям
    filtered_data = data[data['gameDate'] == pd.to_datetime(selected_date)]

    if selected_team != "Все":
        filtered_data = filtered_data[filtered_data['Team'] == fullname_to_code[selected_team]]

    if selected_opponent != "Все":
        filtered_data = filtered_data[filtered_data['Opponent'] == fullname_to_code[selected_opponent]]

    if selected_home_road != "Все":
        filtered_data = filtered_data[filtered_data['homeRoad'] == (1 if selected_home_road == "Да" else 0)]

    if not filtered_data.empty:
        st.write(f"Игры на {selected_date}:")

        col1, col2, col3, col4, col5 = st.columns(5)
        col1.write("Команда")
        col2.write("Оппонент")
        col3.write("Где играет команда?")
        col4.write("Актуальный исход матча")
        col5.write("Предсказание")

        for index, row in filtered_data.iterrows():
            col1, col2, col3, col4, col5 = st.columns(5)
            col1.write(code_to_fullname[row['Team']])
            col2.write(code_to_fullname[row['Opponent']])
            col3.write(home_road_mapping.get(row['homeRoad'], 'Неизвестно'))
            col4.write(win_mapping.get(row['Win'], 'Нет'))
            if col5.button('Предсказание', key=index):
                row_dict = row.to_dict()
                prediction, probability = predict_winner(row_dict, model)
                st.write(f"Предсказание для игры {code_to_fullname[row['Team']]} vs {code_to_fullname[row['Opponent']]}: {prediction}  {probability:.2f}")
    else:
        st.write("Нет игр на выбранную дату.")

    # Установка фонового изображения
    background_image_path = "7.jpeg"

    if os.path.exists(background_image_path):
        with open(background_image_path, "rb") as image_file:
            encoded_image = base64.b64encode(image_file.read()).decode()

        st.markdown(
            f"""
            <style>
            .stApp {{
                background-image: url("data:image/jpeg;base64,{encoded_image}");
                background-size: cover;
                background-repeat: no-repeat;
                background-position: center center;
            }}
            .stSidebar {{
                background: rgba(255, 255, 255, 0.8);
            }}
            .stButton {{
                background-color: #0A74DA;
                color: white;
            }}
            </style>
            """,
            unsafe_allow_html=True
        )
    else:
        st.error(f"Изображение не найдено по пути: {background_image_path}")

elif page == "Графики":
    st.title("Графики и Анализ")

    # Импортирование библиотек для графиков
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    # Отображение локального изображения
    image_path = "/home/savr/rink_master/graphs/1.png"  # Укажите путь к вашему изображению
    st.image(image_path, use_column_width=True)

    # Отображение второго локального изображения
    image_path2 = "/home/savr/rink_master/graphs/2.png"  # Укажите путь ко второму изображению
    st.image(image_path2, use_column_width=True)

    image_path3 = "/home/savr/rink_master/graphs/3.png"  # Укажите путь ко второму изображению
    st.image(image_path3, use_column_width=True)

    st.write("Процент побед в домашних играх: 54.55%")
    st.write("Процент побед в выездных играх: 45.45%")
    st.write("Домашняя арена увеличивает вероятность победы на: 9.10%")

    image_path4 = "/home/savr/rink_master/graphs/4.png"  # Укажите путь ко второму изображению
    st.image(image_path4, use_column_width=True)

    image_path5 = "/home/savr/rink_master/graphs/5.png"  # Укажите путь ко второму изображению
    st.image(image_path5, use_column_width=True)