Spaces:
Running
Running
| 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' | |