Update ml_engine/patterns.py

ml_engine/patterns.py

@@ -1,5 +1,5 @@
 # ml_engine/patterns.py
-# (V8.3 - إصلاح KeyError: استخدام الاستدعاء الوظيفي المباشر)
+# (V8.4 - إصلاح KeyError: استخدام .copy() لعزل السلاسل (Series) + فحوصات أقوى للأعمدة)
 
 import pandas as pd
 import numpy as np
@@ -87,32 +87,33 @@ class ChartPatternAnalyzer:
             self.scaler = None
             return False
 
-    # 🔴 --- START OF CHANGE (V8.3) --- 🔴
-    # (V8.3 - إصلاح KeyError: استخدام الاستدعاء الوظيفي المباشر بدلاً من ملحق .ta)
+    # 🔴 --- START OF CHANGE (V8.4) --- 🔴
+    # (V8.4 - إصلاح KeyError: استخدام .copy() لعزل السلاسل (Series) + فحوصات أقوى للأعمدة)
     def _extract_features(self, df_window: pd.DataFrame) -> pd.DataFrame:
         """
-        (الوصفة V8 - معدلة - V8.3)
-        حساب الـ 30 مؤشراً (وظيفياً) لتجنب أخطاء ملحق .ta
+        (الوصفة V8 - معدلة - V8.4)
+        حساب الـ 30 مؤشراً (وظيفياً) مع عزل البيانات
         """
         if not ta:
             raise ImportError("مكتبة pandas-ta غير مثبتة.")
 
         # (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']
+        # (تمرير الأعمدة كـ "نسخ" (.copy()) لعزلها عن df_window)
+        # (هذا يمنع pandas-ta من محاولة الوصول للـ DataFrame الأصلي)
+        c = df_window['close'].copy()
+        h = df_window['high'].copy()
+        l = df_window['low'].copy()
+        v = df_window['volume'].copy()
         
         try:
             # --- 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:
+            # (فحص الحماية V8.4)
+            if macd_data is not None and not macd_data.empty and 'MACD_12_26_9' in macd_data.columns:
                 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']
@@ -121,8 +122,8 @@ class ChartPatternAnalyzer:
             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)
+            # (فحص الحماية V8.4)
+            if bb_data is not None and not bb_data.empty and 'BBL_5_2.0' in bb_data.columns:
                 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']
@@ -130,19 +131,20 @@ class ChartPatternAnalyzer:
                 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:
+            # (فحص الحماية V8.4)
+            if stoch_data is not None and not stoch_data.empty and 'STOCHk_14_3_3' in stoch_data.columns:
                 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:
+            # (فحص الحماية V8.4)
+            if adx_data is not None and not adx_data.empty and 'ADX_14' in adx_data.columns:
                 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
 
@@ -154,7 +156,8 @@ class ChartPatternAnalyzer:
             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:
+            # (فحص الحماية V8.4)
+            if kvo_data is not None and not kvo_data.empty and 'KVO_34_55_13' in kvo_data.columns:
                 df['KVO_34_55_13'] = kvo_data['KVO_34_55_13']
                 df['KVOs_34_55_13'] = kvo_data['KVOs_34_55_13']
 
@@ -163,15 +166,13 @@ class ChartPatternAnalyzer:
             df['WILLR_14'] = ta.willr(h, l, c, length=14)
         
         except Exception as e:
-            print(f"❌ [PatternEngineV8.3] خطأ أثناء حساب المؤشرات وظيفياً: {e}")
-            # (سنستمر، والصفوف المفقودة سيتم ملؤها بـ 0)
+            print(f"❌ [PatternEngineV8.4] خطأ أثناء حساب المؤشرات وظيفياً: {e}")
             pass
         # --- (نهاية حساب المؤشرات) ---
 
-        # (نأخذ الصف الأخير فقط، لأن المؤشرات السابقة حسبت كل شيء)
+        # (نأخذ الصف الأخير فقط)
         last_features = df.iloc[-1:].copy()
         
-        # (إصلاح FutureWarning)
         last_features.ffill(inplace=True)
         last_features.fillna(0, inplace=True)
         
@@ -182,16 +183,14 @@ class ChartPatternAnalyzer:
             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 (V8.3) --- 🔴
+    # 🔴 --- END OF CHANGE (V8.4) --- 🔴
 
     async def detect_chart_patterns(self, ohlcv_data: dict) -> dict:
         """
         (الدالة الرئيسية التي يستدعيها النظام)
-        تستخدم نموذج 58% للتنبؤ بالنمط.
         """
         best_match = {
             'pattern_detected': 'no_clear_pattern',
@@ -210,24 +209,21 @@ class ChartPatternAnalyzer:
         all_results = []
 
         for timeframe, candles in ohlcv_data.items():
-            # (نحتاج إلى بيانات كافية لحساب المؤشرات، 200 شمعة هي الأفضل)
             if len(candles) >= max(self.window_size, 200):
                 try:
                     window_candles = candles[-200:]
                     df_window = pd.DataFrame(window_candles, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
                     
-                    # (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)
+                    # (ملاحظة V8.4: لا نزال لا نحتاج إلى set_index هنا، 
+                    # لأن _extract_features V8.4 يتعامل مع الفهرس الرقمي بشكل صحيح)
                     
-                    # 1. استخراج الخصائص (الوصفة V8.3 اليدوية)
+                    # 1. استخراج الخصائص (الوصفة V8.4)
                     features_df = self._extract_features(df_window)
                     
                     if features_df is None or features_df.empty:
                         continue 
                         
                     # 2. تطبيع الخصائص (Scaler)
-                    # (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)
                     
@@ -246,7 +242,8 @@ class ChartPatternAnalyzer:
                         })
                         
                 except Exception as e:
-                    print(f"❌ [PatternEngineV8.3] فشل التنبؤ لـ {timeframe}: {e}")
+                    # (يجب أن تختفي أخطاء KeyError من هنا الآن)
+                    print(f"❌ [PatternEngineV8.4] فشل التنبؤ لـ {timeframe}: {e}")
                     
         # 4. اختيار أفضل نمط من *جميع* الأطر الزمنية
         if all_results:
@@ -264,4 +261,4 @@ class ChartPatternAnalyzer:
 
         return best_match
 
-print("✅ ML Module: Pattern Engine V8.3 (Direct Functional Calls) loaded")
+print("✅ ML Module: Pattern Engine V8.4 (Isolated Series + Robust Checks) loaded")