Being towards death

# 導入hashlib模塊，用於加密哈希功能。
import hashlib
# 導入os模塊，用於操作文件和目錄。
import os

# 定義函數calculate_sha256，計算文件的SHA-256哈希值。
def calculate_sha256(file_path):
    sha256 = hashlib.sha256()  # 創建一個sha256哈希對象
    # 以二進制讀取模式打開文件
    with open(file_path, 'rb') as file:
        # 讀取文件內容，每次讀取4096字節
        for chunk in iter(lambda: file.read(4096), b''):
            sha256.update(chunk)  # 更新哈希對象的狀態
    return sha256.hexdigest()  # 返回哈希值的十六進制表示

# 定義函數check_integrity，驗證文件的完整性。
def check_integrity(file_path, expected_checksum):
    actual_checksum = calculate_sha256(file_path)  # 計算文件的實際SHA-256哈希值
    return actual_checksum == expected_checksum  # 比較實際哈希值與預期哈希值是否相同

# 如果此腳本被直接運行。
if __name__ == "__main__":
    file_path = input("輸入文件的路徑: ")  # 獲取用戶輸入的文件路徑
    expected_checksum = input("輸入預期的SHA-256哈希值: ")  # 獲取用戶輸入的預期SHA-256哈希值
    
    # 檢查文件是否存在
    if os.path.isfile(file_path):
        # 調用check_integrity函數驗證文件完整性
        if check_integrity(file_path, expected_checksum):
            print("文件完整性驗證成功: 文件未被篡改。")  # 驗證成功
        else:
            print("文件完整性檢查失敗: 文件可能已被篡改。")  # 驗證失敗
    else:
        print("錯誤: 文件未找到。")  # 文件不存在錯誤提示

# 導入Streamlit庫用於創建Web應用
import streamlit as st
# 導入date用於處理日期
from datetime import date
# 導入yfinance庫，用於從Yahoo Finance獲取股票數據
import yfinance as yf
# 導入Prophet庫，用於進行時間序列預測
from prophet import Prophet
# 導入Prophet的Plotly繪圖接口和Plotly圖形對象
from prophet.plot import plot_plotly
from plotly import graph_objs as go

# 設置預測的起始日期和當前日期
START = "2015-01-01"
TODAY = date.today().strftime("%Y-%m-%d")

# 使用Streamlit創建應用標題
st.title('股票預測應用')

# 設置一個選擇框，讓用戶選擇股票
stocks = ('MSFT', "TSLA", 'GOOG', 'AAPL', "NVDA")
selected_stock = st.selectbox('選擇預測數據集', stocks)

# 創建一個滑動條，讓用戶選擇預測的年數，範圍從1到4年
n_years = st.slider('預測年數:', 1, 4)
period = n_years * 365  # 將年數轉換為天數

# 定義一個緩存函數，用於加載股票數據，避免每次會話重新加載
@st.cache
def load_data(ticker):
    data = yf.download(ticker, START, TODAY)  # 從Yahoo Finance下載股票數據
    data.reset_index(inplace=True)  # 重置DataFrame的索引
    return data

# 顯示數據加載狀態
data_load_state = st.text('加載數據中...')
data = load_data(selected_stock)  # 調用函數加載數據
data_load_state.text('加載數據中... 完成!')  # 更新加載狀態

# 顯示原始數據的最後幾行
st.subheader('原始數據')
st.write(data.tail())

# 定義函數，繪製原始數據的開盤和收盤價格
def plot_raw_data():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=data['Date'], y=data['Open'], name="股票開盤"))
    fig.add_trace(go.Scatter(x=data['Date'], y=data['Close'], name="股票收盤"))
    fig.layout.update(title_text='時間序列數據與範圍滑塊', xaxis_rangeslider_visible=True)
    st.plotly_chart(fig)

plot_raw_data()

# 使用Prophet進行預測
df_train = data[['Date', 'Close']]
df_train = df_train.rename(columns={"Date": "ds", "Close": "y"})
m = Prophet()
m.fit(df_train)
future = m.make_future_dataframe(periods=period)
forecast = m.predict(future)

# 顯示並繪製預測數據
st.subheader('預測數據')
st.write(forecast.tail())
st.write(f'預測圖表 {n_years} 年')
fig1 = plot_plotly(m, forecast)
st.plotly_chart(fig1)

# 顯示預測組件
st.write("預測組件")
fig2 = m.plot_components(forecast)
st.write(fig2)