Update ml_engine/patterns.py

ml_engine/patterns.py

@@ -1,5 +1,5 @@
 # ml_engine/patterns.py
-# (V8.2 - إصلاح التوافق: تغذية المؤشرات يدوياً (H/L/C/V) لإصلاح KeyError)
+# (V8.3 - إصلاح KeyError: استخدام الاستدعاء الوظيفي المباشر)
 
 import pandas as pd
 import numpy as np
@@ -87,92 +87,106 @@ class ChartPatternAnalyzer:
             self.scaler = None
             return False
 
-    # 🔴 --- START OF CHANGE (V8.2) --- 🔴
+    # 🔴 --- START OF CHANGE (V8.3) --- 🔴
+    # (V8.3 - إصلاح KeyError: استخدام الاستدعاء الوظيفي المباشر بدلاً من ملحق .ta)
     def _extract_features(self, df_window: pd.DataFrame) -> pd.DataFrame:
         """
-        (الوصفة V8 - معدلة - V8.2)
-        حساب الـ 30 مؤشراً (يدوياً) مع تمرير الأعمدة صراحة لإصلاح KeyError
+        (الوصفة V8 - معدلة - V8.3)
+        حساب الـ 30 مؤشراً (وظيفياً) لتجنب أخطاء ملحق .ta
         """
         if not ta:
             raise ImportError("مكتبة pandas-ta غير مثبتة.")
 
-        df = df_window.copy()
-        c = df['close']
-        h = df['high']
-        l = df['low']
-        v = df['volume']
+        # (إنشاء DF فارغ بنفس الفهرس (Index) الخاص بآخر صف)
+        # (هذا يضمن أننا نأخذ آخر قيمة فقط من حسابات المؤشرات)
+        df = pd.DataFrame(index=df_window.iloc[-1:].index)
+        
+        # (تمرير الأعمدة كسلاسل (Series) مباشرة)
+        c = df_window['close']
+        h = df_window['high']
+        l = df_window['low']
+        v = df_window['volume']
         
         try:
-            # (RSI)
-            df.ta.rsi(close=c, length=14, append=True)
-            # (MACD)
-            df.ta.macd(close=c, fast=12, slow=26, signal=9, append=True)
-            # (SMA, EMA)
-            df.ta.sma(close=c, length=20, append=True)
-            df.ta.ema(close=c, length=20, append=True)
-            # (BBands)
-            df.ta.bbands(close=c, length=5, std=2.0, append=True)
-            # (Stoch)
-            df.ta.stoch(high=h, low=l, close=c, k=14, d=3, smooth_k=3, append=True)
-            # (ADX)
-            df.ta.adx(high=h, low=l, close=c, length=14, adxr=2, append=True)
-            # (VWAP)
-            df.ta.vwap(high=h, low=l, close=c, volume=v, append=True)
-            # (Midpoint)
-            df.ta.midpoint(close=c, length=14, append=True)
-            # (TEMA)
-            df.ta.tema(close=c, length=20, append=True)
-            # (OBV, AD)
-            df.ta.obv(close=c, volume=v, append=True)
-            df.ta.ad(high=h, low=l, close=c, volume=v, append=True)
-            # (ATRr)
-            df.ta.atr(high=h, low=l, close=c, percent=True, length=14, append=True)
-            # (DPO)
-            df.ta.dpo(close=c, length=20, append=True)
-            # (KVO)
-            df.ta.kvo(high=h, low=l, close=c, volume=v, fast=34, slow=55, signal=13, append=True)
-            # (CMO)
-            df.ta.cmo(close=c, length=14, append=True)
-            # (ROC)
-            df.ta.roc(close=c, length=10, append=True)
-            # (Williams %R)
-            df.ta.willr(high=h, low=l, close=c, length=14, append=True)
-        except Exception as e:
-            print(f"❌ [PatternEngineV8.2] خطأ أثناء حساب المؤشرات يدوياً: {e}")
-            pass
+            # --- حساب المؤشرات وظيفياً ---
+            df['RSI_14'] = ta.rsi(c, length=14)
+            
+            macd_data = ta.macd(c, fast=12, slow=26, signal=9)
+            if macd_data is not None and not macd_data.empty:
+                df['MACD_12_26_9'] = macd_data['MACD_12_26_9']
+                df['MACDh_12_26_9'] = macd_data['MACDh_12_26_9']
+                df['MACDs_12_26_9'] = macd_data['MACDs_12_26_9']
 
-        # (إعادة تسمية الأعمدة لتطابق X_test_combined.csv بالضبط)
-        rename_map = {
-            'RSI_14': 'RSI_14', 'MACD_12_26_9': 'MACD_12_26_9', 'MACDh_12_26_9': 'MACDh_12_26_9', 
-            'MACDs_12_26_9': 'MACDs_12_26_9', 'SMA_20': 'SMA_20', 'EMA_20': 'EMA_20',
-            'BBL_5_2.0': 'BBL_5_2.0_2.0', 'BBM_5_2.0': 'BBM_5_2.0_2.0', 'BBU_5_2.0': 'BBU_5_2.0_2.0', 
-            'BBB_5_2.0': 'BBB_5_2.0_2.0', 'BBP_5_2.0': 'BBP_5_2.0_2.0',
-            'STOCHk_14_3_3': 'STOCHk_14_3_3', 'STOCHd_14_3_3': 'STOCHd_14_3_3', 'STOCHh_14_3_3': 'STOCHh_14_3_3',
-            'ADX_14': 'ADX_14', 'ADXR_14_2': 'ADXR_14_2', 'DMP_14': 'DMP_14', 'DMN_14': 'DMN_14', 
-            'VWAP_D': 'VWAP_D', 'MIDPOINT_14': 'MIDPOINT_14', 'TEMA_20': 'TEMA_20', 'OBV': 'OBV', 
-            'AD': 'AD', 'ATRr_14': 'ATRr_14', 'DPO_20': 'DPO_20', 'KVO_34_55_13': 'KVO_34_55_13',
-            'KVOs_34_55_13': 'KVOs_34_55_13', 'CMO_14': 'CMO_14', 'ROC_10': 'ROC_10', 'WILLR_14': 'WILLR_14'
-        }
+            df['SMA_20'] = ta.sma(c, length=20)
+            df['EMA_20'] = ta.ema(c, length=20)
+            
+            bb_data = ta.bbands(c, length=5, std=2.0)
+            if bb_data is not None and not bb_data.empty:
+                # (إعادة التسمية لتطابق توقعات النموذج)
+                df['BBL_5_2.0_2.0'] = bb_data['BBL_5_2.0'] 
+                df['BBM_5_2.0_2.0'] = bb_data['BBM_5_2.0']
+                df['BBU_5_2.0_2.0'] = bb_data['BBU_5_2.0']
+                df['BBB_5_2.0_2.0'] = bb_data['BBB_5_2.0']
+                df['BBP_5_2.0_2.0'] = bb_data['BBP_5_2.0']
+
+            stoch_data = ta.stoch(h, l, c, k=14, d=3, smooth_k=3)
+            if stoch_data is not None and not stoch_data.empty:
+                df['STOCHk_14_3_3'] = stoch_data['STOCHk_14_3_3']
+                df['STOCHd_14_3_3'] = stoch_data['STOCHd_14_3_3']
+                df['STOCHh_14_3_3'] = stoch_data['STOCHh_14_3_3']
+
+            adx_data = ta.adx(h, l, c, length=14, adxr=2)
+            if adx_data is not None and not adx_data.empty:
+                df['ADX_14'] = adx_data['ADX_14']
+                df['ADXR_14_2'] = adx_data['ADXR_14_2']
+                df['DMP_14'] = adx_data['DMP_14']
+                df['DMN_14'] = adx_data['DMN_14']
+
+            # (VWAP يحتاج تمرير البيانات بهذه الطريقة)
+            vwap_series = ta.vwap(h, l, c, v)
+            if vwap_series is not None: df['VWAP_D'] = vwap_series
+
+            df['MIDPOINT_14'] = ta.midpoint(c, length=14)
+            df['TEMA_20'] = ta.tema(c, length=20)
+            df['OBV'] = ta.obv(c, v)
+            df['AD'] = ta.ad(h, l, c, v)
+            df['ATRr_14'] = ta.atr(h, l, c, percent=True, length=14)
+            df['DPO_20'] = ta.dpo(c, length=20)
+
+            kvo_data = ta.kvo(h, l, c, v, fast=34, slow=55, signal=13)
+            if kvo_data is not None and not kvo_data.empty:
+                df['KVO_34_55_13'] = kvo_data['KVO_34_55_13']
+                df['KVOs_34_55_13'] = kvo_data['KVOs_34_55_13']
+
+            df['CMO_14'] = ta.cmo(c, length=14)
+            df['ROC_10'] = ta.roc(c, length=10)
+            df['WILLR_14'] = ta.willr(h, l, c, length=14)
         
-        df.rename(columns=rename_map, inplace=True)
+        except Exception as e:
+            print(f"❌ [PatternEngineV8.3] خطأ أثناء حساب المؤشرات وظيفياً: {e}")
+            # (سنستمر، والصفوف المفقودة سيتم ملؤها بـ 0)
+            pass
+        # --- (نهاية حساب المؤشرات) ---
 
-        # (العودة بالصف الأخير فقط)
+        # (نأخذ الصف الأخير فقط، لأن المؤشرات السابقة حسبت كل شيء)
         last_features = df.iloc[-1:].copy()
         
         # (إصلاح FutureWarning)
         last_features.ffill(inplace=True)
         last_features.fillna(0, inplace=True)
         
+        # (التأكد من أننا نمرر فقط الخصائص الـ 30 التي يتوقعها النموذج، وبالترتيب)
         final_features = pd.DataFrame(columns=self.indicator_features)
         
         for col in self.indicator_features:
             if col in last_features:
                 final_features[col] = last_features[col].values
             else:
+                # (إذا فشل حساب المؤشر، نضع 0)
                 final_features[col] = 0 
 
         return final_features
-    # 🔴 --- END OF CHANGE (V8.2) --- 🔴
+    # 🔴 --- END OF CHANGE (V8.3) --- 🔴
 
     async def detect_chart_patterns(self, ohlcv_data: dict) -> dict:
         """
@@ -202,18 +216,20 @@ class ChartPatternAnalyzer:
                     window_candles = candles[-200:]
                     df_window = pd.DataFrame(window_candles, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
                     
-                    df_window['timestamp'] = pd.to_datetime(df_window['timestamp'], unit='ms')
-                    df_window.set_index('timestamp', inplace=True)
+                    # (V8.3) ملاحظة: لا نضع 'timestamp' كفهرس هنا
+                    # df_window['timestamp'] = pd.to_datetime(df_window['timestamp'], unit='ms')
+                    # df_window.set_index('timestamp', inplace=True)
                     
-                    # 1. استخراج الخصائص (الوصفة V8.2 اليدوية)
+                    # 1. استخراج الخصائص (الوصفة V8.3 اليدوية)
                     features_df = self._extract_features(df_window)
                     
                     if features_df is None or features_df.empty:
                         continue 
                         
                     # 2. تطبيع الخصائص (Scaler)
-                    features_df = features_df[self.scaler.feature_names_in_]
-                    features_scaled = self.scaler.transform(features_df)
+                    # (التأكد من مطابقة الأسماء التي يتوقعها المقياس)
+                    features_df_ordered = features_df[self.scaler.feature_names_in_]
+                    features_scaled = self.scaler.transform(features_df_ordered)
                     
                     # 3. التنبؤ بالاحتماليات (Probabilities)
                     probabilities = self.model.predict_proba(features_scaled)[0]
@@ -230,7 +246,7 @@ class ChartPatternAnalyzer:
                         })
                         
                 except Exception as e:
-                    print(f"❌ [PatternEngineV8.2] فشل التنبؤ لـ {timeframe}: {e}")
+                    print(f"❌ [PatternEngineV8.3] فشل التنبؤ لـ {timeframe}: {e}")
                     
         # 4. اختيار أفضل نمط من *جميع* الأطر الزمنية
         if all_results:
@@ -248,4 +264,4 @@ class ChartPatternAnalyzer:
 
         return best_match
 
-print("✅ ML Module: Pattern Engine V8.2 (Manual Indicators Feed) loaded")
+print("✅ ML Module: Pattern Engine V8.3 (Direct Functional Calls) loaded")