app.py

import re
import pandas as pd
import pymorphy2
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.metrics import accuracy_score
from translate import Translator
import streamlit as st


# Инициализация морфологического анализатора
morph = pymorphy2.MorphAnalyzer()

nkz_list = pd.read_csv('filtered_nkz.csv')



# Предобработка данных







from translate import Translator

def translate_text(text, from_lang='kk', to_lang='ru'):
    """
    Перевод текста с одного языка на другой.
    
    :param text: Исходный текст для перевода.
    :param from_lang: Язык исходного текста (по умолчанию казахский 'kk').
    :param to_lang: Язык перевода (по умолчанию русский 'ru').
    :return: Переведённый текст.
    """
    try:
        translator = Translator(from_lang=from_lang, to_lang=to_lang)
        translated_text = translator.translate(text)
        return translated_text
    except Exception as e:
        print(f"Ошибка перевода: {e}")
        return text  # Возвращаем исходный текст в случае ошибки

# Уникальные казахские буквы
kazakh_letters = set("әғқңөұүі")



def preprocess_text(text):
    """Функция для предобработки текста: перевод, очистка, приведение к нижнему регистру, лемматизация."""
    if not isinstance(text, str):
        return ""
    
    # Проверка на наличие уникальных казахских букв
    if any(char in kazakh_letters for char in text.lower()):
        text = translate_text(text)
    
    # Очистка текста
    text = text.lower().strip()  # Приведение к нижнему регистру
    text = re.sub(r'[^\w\s]', '', text)  # Удаление пунктуации
    text = re.sub(r'[a-zA-Z0-9]', '', text)
    words = text.split()
    lemmas = [morph.parse(word)[0].normal_form for word in words]  # Лемматизация
    return ' '.join(lemmas)

    


def find_best_matches(profession, nkz_list, vectorizer, tfidf_nkz, top_n=10):
    """Находит топ-10 наилучших соответствий для одной профессии в списке НКЗ."""
    # Предобработка профессии
    processed_profession = preprocess_text(profession)
    print(processed_profession)
    # Преобразование векторной модели
    tfidf_profession = vectorizer.transform([processed_profession])

    # Вычисление схожести
    similarity = cosine_similarity(tfidf_profession, tfidf_nkz)

    # Получаем индексы топ-N самых схожих профессий
    top_n_idx = similarity[0].argsort()[-top_n:][::-1]  # Сортируем по убыванию

    # Формируем результат
    top_matches = []
    for idx in top_n_idx:
        top_matches.append({
            'profession': processed_profession,
            'nkz_match': nkz_list.iloc[idx]['NAME_RU2'],
            'nkz_code': nkz_list.iloc[idx]['CODE'],  # Код НКЗ
            'similarity': similarity[0][idx]
        })
    dfs = pd.DataFrame(top_matches)
    return dfs




nkz_list['cleaned'] = nkz_list['NAME_RU2'].apply(preprocess_text)

vectorizer = TfidfVectorizer()
tfidf_nkz = vectorizer.fit_transform(nkz_list['cleaned'])
# Streamlit app
st.title("Occupation Similarity Finder")

text1 = st.text_input("Enter the occupation to compare:", "Оператор пульта управления")

if st.button("Find Similar Occupations"):
    try:
        # Find similar occupations
        results = find_best_matches(text1, nkz_list, vectorizer, tfidf_nkz, top_n=10)
        # similar_texts = find_similar_combined(text1, k=5)
        # similar_texts_df = pd.DataFrame(similar_texts)
        # Display results
        if results is not None:
            st.write("Similar Occupations:")
            st.dataframe(results)
            # st.dataframe(similar_texts_df)
        else:
            st.warning("No similar occupations found.")
    except Exception as e:
        st.error(f"An error occurred: {e}")