Update app.py

app.py

@@ -1,35 +1,40 @@
 import gradio as gr
 import numpy as np
 import pickle
+import pandas as pd
 from sklearn.preprocessing import LabelEncoder, StandardScaler
 from sklearn.linear_model import Ridge
 
-# Charger les fichiers nécessaires
+# Charger le modèle Ridge sauvegardé
 with open('ridge_model.pkl', 'rb') as file:
     ridge_model = pickle.load(file)
 
+# Charger le scaler sauvegardé
 with open('scaler.pkl', 'rb') as file:
     scaler = pickle.load(file)
 
-with open('label_encoder_fuel.pkl', 'rb') as file:
-    label_encoder_fuel = pickle.load(file)
+# Initialisation des encodeurs pour les variables catégorielles
+label_encoder_fuel = LabelEncoder()
+label_encoder_seller = LabelEncoder()
+label_encoder_trans = LabelEncoder()
 
-with open('label_encoder_seller.pkl', 'rb') as file:
-    label_encoder_seller = pickle.load(file)
-
-with open('label_encoder_trans.pkl', 'rb') as file:
-    label_encoder_trans = pickle.load(file)
-
-# Fonction pour effectuer une prédiction
+# Fonction pour effectuer une prédiction manuelle
 def predict(Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age):
     try:
         # Encoder les variables catégorielles
-        Fuel_Type_encoded = label_encoder_fuel.transform([Fuel_Type])[0]
-        Seller_Type_encoded = label_encoder_seller.transform([Seller_Type])[0]
-        Transmission_encoded = label_encoder_trans.transform([Transmission])[0]
+        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]
 
         # 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)
+        input_features = np.array([
+            Kms_Driven,
+            Present_Price,
+            Fuel_Type_encoded,
+            Seller_Type_encoded,
+            Transmission_encoded,
+            Age
+        ]).reshape(1, -1)
 
         # Normaliser les données
         input_features_scaled = scaler.transform(input_features)
@@ -42,66 +47,71 @@ def predict(Kms_Driven, Present_Price, Fuel_Type, Seller_Type, Transmission, Age
     except Exception as e:
         return f"Erreur : {str(e)}"
 
-# Fonction pour charger un fichier CSV et faire des prédictions
+# Fonction pour prédire à partir d'un fichier CSV
 def predict_from_file(file):
     try:
-        import pandas as pd
-        data = pd.read_csv(file.name)
+        # Charger les données du fichier CSV
+        df = pd.read_csv(file.name)
 
-        # Encoder et normaliser les données
-        data['Fuel_Type'] = label_encoder_fuel.transform(data['Fuel_Type'])
-        data['Seller_Type'] = label_encoder_seller.transform(data['Seller_Type'])
-        data['Transmission'] = label_encoder_trans.transform(data['Transmission'])
+        # 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
+        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'])
 
-        # Extraire les caractéristiques
-        features = data[['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age']].values
+        # Extraire les caractéristiques pour la prédiction
+        features = df[['Kms_Driven', 'Present_Price', 'Fuel_Type', 'Seller_Type', 'Transmission', 'Age']].values
         features_scaled = scaler.transform(features)
 
         # Faire les prédictions
         predictions = ridge_model.predict(features_scaled)
 
         # Ajouter les prédictions au dataframe et retourner
-        data['Prediction'] = predictions
-        return data
+        df['Prediction'] = predictions
+        return df
 
     except Exception as e:
         return f"Erreur : {str(e)}"
 
-# Définir les entrées pour la prédiction manuelle
-inputs_manual = [
-    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")
-
-# Définir l'entrée pour la prédiction à partir de fichier CSV
-inputs_file = gr.File(label="Télécharger un fichier CSV")
-
-# Définir la sortie pour le fichier CSV
-outputs_file = gr.Dataframe(label="Prédictions depuis le fichier")
-
-# Créer l'application Gradio avec deux onglets
-app = gr.Interface(
-    fn=predict,
-    inputs=inputs_manual,
-    outputs=outputs,
-    title="Prédictions avec le modèle Ridge",
-    description="Entrez les valeurs des caractéristiques pour obtenir une prédiction."
-)
-
-# Ajouter un deuxième onglet pour la prédiction depuis un fichier CSV
-app.add_component(
-    fn=predict_from_file,
-    inputs=inputs_file,
-    outputs=outputs_file,
-    label="Prédiction à partir d'un fichier CSV"
-)
+# Créer l'interface avec Gradio en utilisant gr.Blocks et demo.launch()
+
+with gr.Blocks() as demo:
+    with gr.Tab("Prédiction Manuelle"):
+        # Définir les entrées pour la prédiction manuelle
+        inputs_manual = [
+            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 pour la prédiction manuelle
+        outputs_manual = gr.Textbox(label="Prédiction")
+
+        # Ajouter la fonction de prédiction manuelle dans le tab
+        gr.Button("Faire une Prédiction", elem_id="manual_predict_button").click(
+            fn=predict,
+            inputs=inputs_manual,
+            outputs=outputs_manual
+        )
+
+    with gr.Tab("Prédiction à partir d'un fichier CSV"):
+        # Définir l'entrée pour la prédiction à partir de fichier CSV
+        inputs_file = gr.File(label="Télécharger un fichier CSV")
+        # Définir la sortie pour le fichier CSV
+        outputs_file = gr.Dataframe(label="Prédictions depuis le fichier")
+
+        # Ajouter la fonction de prédiction à partir du fichier
+        gr.Button("Prédire à partir du fichier").click(
+            fn=predict_from_file,
+            inputs=inputs_file,
+            outputs=outputs_file
+        )
 
 # Lancer l'application
-app.launch(debug=True)
+demo.launch(debug=True)