Spaces:
Sleeping
Sleeping
File size: 3,579 Bytes
cdcce9b 62fb2f9 cdcce9b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 | import gradio as gr
import pandas as pd
import numpy as np
import xgboost as xgb
import joblib
from sklearn.preprocessing import MinMaxScaler
def execute(FONTE, X, Y, RH, ANO_C, ATOTAL, ANO_DADO_ANO_2019, ANO_DADO_ANO_2020, ANO_DADO_ANO_2021, ANO_DADO_ANO_2022, Alvenaria_B, Alvenaria_D, Alvenaria_C, Alvenaria_E):
df = pd.DataFrame.from_dict({'FONTE': [FONTE],
'X': [X],
'Y': [Y],
'RH': [RH],
'ANO_C': [ANO_C],
'ATOTAL': np.log([ATOTAL]),
'ANO_DADO_ANO_2019': ANO_DADO_ANO_2019,
'ANO_DADO_ANO_2020': ANO_DADO_ANO_2020,
'ANO_DADO_ANO_2021': ANO_DADO_ANO_2021,
'ANO_DADO_ANO_2022': ANO_DADO_ANO_2022,
'Alvenaria_B': Alvenaria_B,
'Alvenaria_D': Alvenaria_D,
'Alvenaria_C': Alvenaria_C,
'Alvenaria_E': Alvenaria_E}
)
input_scaler = joblib.load("dados/salas/input_scaler_salas_comerciais_2023_v2.save")
df = input_scaler.transform(df)
cols = ['FONTE', 'X', 'Y', 'RH', 'ANO_C', 'ATOTAL', 'ANO_DADO_ANO_2019', 'ANO_DADO_ANO_2020', 'ANO_DADO_ANO_2021', 'ANO_DADO_ANO_2022', 'Alvenaria_B', 'Alvenaria_D', 'Alvenaria_C', 'Alvenaria_E']
aval = pd.DataFrame(df, columns = cols)
df = xgb.DMatrix(aval)
loaded_model = xgb.Booster()
loaded_model.load_model("dados/salas/SALAS_COMERCIAIS_2020_2021_2022_2023_v2.model")
pred = loaded_model.predict(df)
output_scaler = joblib.load("dados/salas/output_scaler_salas_comerciais_2023_v2.save")
pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
pred = np.exp(pred).tolist()
return f"""Valor do imóvel: R${round(pred[0][0], -2) * ATOTAL}"""
def load_inputs():
# Substituição de gr.inputs.Number -> gr.Number
# Substituição de default -> value
FONTE = gr.Number(value=0, label='Fonte: 0 - Transação | 1 - Oferta')
X = gr.Number(value=282122.159663, label='Longitude (SIRGAS 2000)')
# O Gradio aceita a notação 1.672718e+06 sem problemas como float
Y = gr.Number(value=1672718.0, label='Latitude (SIRGAS 2000)')
RH = gr.Number(value=150, label='Região Homogênea')
ANO_C = gr.Number(value=2022, label='Ano de Construção')
ATOTAL = gr.Number(value=80.0, label='Área Total')
# Campos de Ano
ANO_DADO_ANO_2019 = gr.Number(value=0, label='Ano 2019')
ANO_DADO_ANO_2020 = gr.Number(value=0, label='Ano 2020')
ANO_DADO_ANO_2021 = gr.Number(value=0, label='Ano 2021')
ANO_DADO_ANO_2022 = gr.Number(value=1, label='Ano 2022')
# Campos de Alvenaria
Alvenaria_B = gr.Number(value=0, label='Alvenaria (B)')
Alvenaria_C = gr.Number(value=1, label='Alvenaria (C)')
Alvenaria_D = gr.Number(value=0, label='Alvenaria (D)')
Alvenaria_E = gr.Number(value=0, label='Alvenaria (E)')
# Atenção: Mantive a ordem de retorno original (C e D estão invertidos no seu return)
return [
FONTE, X, Y, RH, ANO_C, ATOTAL,
ANO_DADO_ANO_2019, ANO_DADO_ANO_2020, ANO_DADO_ANO_2021, ANO_DADO_ANO_2022,
Alvenaria_B, Alvenaria_D, Alvenaria_C, Alvenaria_E
]
output_label = "Valor do imóvel (R$)"
title = 'Venda - Salas Comerciais'
description = '2.887 dados de Janeiro de 2019 a Dezembro de 2022'
|