Update app.py

app.py

@@ -1,70 +1,69 @@
 import gradio as gr
 import numpy as np
+import pandas as pd
 import pickle
 from sklearn.preprocessing import LabelEncoder, StandardScaler
 from sklearn.linear_model import Ridge
 
-# Charger le modèle et le scaler
-with open("ridge_model.pkl", "rb") as model_file:
-    ridge_model = pickle.load(model_file)
+# Charger le modèle sauvegardé
+with open('ridge_model.pkl', 'rb') as file:
+    ridge_model = pickle.load(file)
 
-with open("scaler.pkl", "rb") as scaler_file:
-    scaler = pickle.load(scaler_file)
+# Charger le scaler sauvegardé
+with open('scaler.pkl', 'rb') as file:
+    scaler = pickle.load(file)
 
 # Initialisation des encodeurs
 label_encoder_fuel = LabelEncoder()
 label_encoder_seller = LabelEncoder()
 label_encoder_trans = LabelEncoder()
 
-# Fonction pour effectuer une prédiction
-def predict(Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age):
+# Fonction pour effectuer une prédiction à partir du fichier CSV
+def predict_from_file(file):
     try:
+        # Charger les données du fichier CSV
+        df = pd.read_csv(file.name)
+        
+        # Vérifier si les colonnes nécessaires existent dans le fichier
+        required_columns = ['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age']
+        if not all(col in df.columns for col in required_columns):
+            return "Erreur : Le fichier CSV doit contenir les colonnes suivantes : Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age"
+        
         # Encoder les variables catégorielles
-        Fuel_Type_encoded = label_encoder_fuel.fit_transform([Fuel_Type])[0]
-        Seller_Type_encoded = label_encoder_seller.fit_transform([Seller_Type])[0]
-        Transmission_encoded = label_encoder_trans.fit_transform([Transmission])[0]
+        df['Fuel_Type'] = label_encoder_fuel.fit_transform(df['Fuel_Type'])
+        df['Seller_Type'] = label_encoder_seller.fit_transform(df['Seller_Type'])
+        df['Transmission'] = label_encoder_trans.fit_transform(df['Transmission'])
 
-        # Préparer les caractéristiques d'entrée
-        input_features = np.array([
-            Kms_Driven,
-            Present_Price,
-            Fuel_Type_encoded,
-            Seller_Type_encoded,
-            Transmission_encoded,
-            Age
-        ]).reshape(1, -1)
+        # Sélectionner les colonnes nécessaires pour la prédiction
+        input_features = df[['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age']]
 
         # Normaliser les données
         input_features_scaled = scaler.transform(input_features)
 
-        # Faire une prédiction
-        prediction = ridge_model.predict(input_features_scaled)
+        # Effectuer la prédiction
+        predictions = ridge_model.predict(input_features_scaled)
+
+        # Ajouter les prédictions au DataFrame
+        df['Prédictions'] = predictions
+
+        return df[['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age', 'Prédictions']]  # Afficher les résultats
 
-        return prediction[0]
     except Exception as e:
         return f"Erreur : {str(e)}"
 
-# Définir les entrées
-inputs = [
-    gr.Number(label="Kms Driven"),
-    gr.Number(label="Present Price"),
-    gr.Dropdown(["Petrol", "Diesel"], label="Fuel Type"),
-    gr.Dropdown(["Individual", "Dealer"], label="Seller Type"),
-    gr.Dropdown(["Manual", "Automatic"], label="Transmission"),
-    gr.Number(label="Age")
-]
-
-# Définir la sortie
-outputs = gr.Textbox(label="Prédiction")
+# Interface Gradio
+inputs = gr.File(label="Télécharger un fichier CSV")
+outputs = gr.Dataframe(label="Prédictions")
 
 # Créer l'application Gradio
 app = gr.Interface(
-    fn=predict,
+    fn=predict_from_file,
     inputs=inputs,
     outputs=outputs,
     title="Prédictions avec le modèle Ridge",
-    description="Entrez les valeurs des caractéristiques pour obtenir une prédiction."
+    description="Téléchargez un fichier CSV pour effectuer des prédictions."
 )
 
 # Lancer l'application
 app.launch(debug=True)
+