Update app.py

app.py

@@ -15,10 +15,6 @@ HS_CSV_URL = (
 hs_df = pd.read_csv(HS_CSV_URL, dtype=str)
 
 def get_product_name(hs_code: str) -> str:
-    """
-    از DataFrame محلی hs_df نام محصول متناظر با کد HS را می‌گیرد.
-    اگر یافت نشد، '–' برمی‌گرداند.
-    """
     code4 = str(hs_code).zfill(4)
     row = hs_df[hs_df["hscode"] == code4]
     return row.iloc[0]["description"] if not row.empty else "–"
@@ -37,27 +33,27 @@ def get_importers(hs_code: str, year: str, month: str):
     if df is None or df.empty:
         return product_name, pd.DataFrame()
 
-    # محدود کردن تعداد سطر برای جلوگیری از خطای بیش از حد ورودی
-    df = df.sort_values('TradeValue', ascending=False).head(10)
+    # شناسایی ستون‌های مورد نیاز (کد کشور، نام کشور، ارزش)
+    # ابتدا سعی در استفاده از ستون‌های استاندارد
+    std_map = {
+        'کد کشور': 'ptCode',
+        'نام کشور': 'ptTitle',
+        'ارزش CIF': 'TradeValue'
+    }
+    code_col = std_map['کد کشور'] if 'ptCode' in df.columns else next((c for c in df.columns if 'code' in c.lower()), None)
+    title_col= std_map['نام کشور'] if 'ptTitle' in df.columns else next((c for c in df.columns if 'title' in c.lower()), None)
+    value_col= std_map['ارزش CIF'] if 'TradeValue' in df.columns else next((c for c in df.columns if 'value' in c.lower()), None)
 
-    # بررسی وجود ستون‌های استاندارد
-    std_cols = ['ptCode', 'ptTitle', 'TradeValue']
-    if all(col in df.columns for col in std_cols):
-        out = df[std_cols]
-        out.columns = ['کد کشور', 'نام کشور', 'ارزش CIF']
-        return product_name, out
+    if not (code_col and title_col and value_col):
+        # اگر نتوانست ستون‌ها را شناسایی کند، برگرداندن DataFrame خام
+        return product_name, df
 
-    # یافتن ستون‌های مشابه بر اساس نام
-    code_col = next((c for c in df.columns if 'code' in c.lower()), None)
-    title_col = next((c for c in df.columns if 'title' in c.lower()), None)
-    value_col = next((c for c in df.columns if 'value' in c.lower()), None)
-    if code_col and title_col and value_col:
-        out = df[[code_col, title_col, value_col]]
-        out.columns = ['کد کشور', 'نام کشور', 'ارزش CIF']
-        return product_name, out
+    # محدودسازی به 10 کشور برتر بر اساس ستون value_col
+    df_sorted = df.sort_values(value_col, ascending=False).head(10)
 
-    # اگر هیچ‌کدام پیدا نشد، DataFrame خام را برگردان
-    return product_name, df
+    out = df_sorted[[code_col, title_col, value_col]]
+    out.columns = ['کد کشور', 'نام کشور', 'ارزش CIF']
+    return product_name, out
 
 # --- تابع تولید مشاوره تخصصی با GPU کرایه‌ای ---
 hf_token = os.getenv("HF_API_TOKEN")
@@ -69,12 +65,12 @@ def provide_advice(table_data: pd.DataFrame, hs_code: str, year: str, month: str
     if table_data is None or table_data.empty:
         return "ابتدا نمایش داده‌های واردات را انجام دهید."
 
-    # محدودسازی تعداد ردیف‌ها برای متن ورودی
+    # محدودسازی تعداد ردیف‌های ورودی به 10 (در صورت بیشتر)
     df_limited = table_data.head(10)
     table_str = df_limited.to_string(index=False)
     period = f"{year}/{int(month):02d}"
     prompt = (
-        f"The following table shows the top 10 countries by CIF value importing HS code {hs_code} during {period}:\n"
+        f"The following table shows the top {len(df_limited)} countries by CIF value importing HS code {hs_code} during {period}:\n"
         f"{table_str}\n\n"
         "Please provide a detailed and comprehensive analysis of market trends, risks, "
         "and opportunities for a new exporter entering this market."
@@ -121,4 +117,4 @@ with gr.Blocks() as demo:
     )
 
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()