Create app.py

app.py

@@ -0,0 +1,83 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import mean_absolute_error
+
+# عنوان برنامه
+st.title('Zali Ai - پیش‌بینی رشد مزارع نیشکر')
+
+# تابع برای محاسبه میانگین رشد و ارتفاع
+def calculate_growth_and_height(data):
+    data['mean_growth'] = data[[f'growth_station_{i}' for i in range(1, 6)]].mean(axis=1)
+    data['mean_height'] = data[[f'height_station_{i}' for i in range(1, 6)]].mean(axis=1)
+    return data
+
+# تابع برای ساخت مدل ماشین لرنینگ
+def train_model(data):
+    X = data.drop('mean_growth', axis=1)
+    y = data['mean_growth']
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+    model = RandomForestRegressor(n_estimators=100, random_state=42)
+    model.fit(X_train, y_train)
+    predictions = model.predict(X_test)
+    mae = mean_absolute_error(y_test, predictions)
+    return model, mae
+
+# آپلود فایل داده‌ها
+uploaded_file = st.file_uploader("آپلود فایل داده‌ها (CSV)", type=['csv'])
+
+if uploaded_file is not None:
+    data = pd.read_csv(uploaded_file)
+    data = calculate_growth_and_height(data)
+    st.write("نمایش داده‌ها", data)
+    
+    model, mae = train_model(data)
+    st.write(f"مدل با موفقیت آموزش داده شد! خطای مطلق میانگین: {mae:.2f}")
+
+    # ورود دستی داده‌ها
+    st.write("ورود دستی داده‌ها:")
+    num_farms = 165
+    num_stations = 5
+    num_wells = 2
+
+    manual_data = []
+    for farm in range(1, num_farms+1):
+        st.write(f"مزرعه شماره {farm}")
+        growth = []
+        for station in range(1, num_stations+1):
+            growth.append(st.number_input(f"ایستگاه {station} - رشد", value=0))
+        for station in range(1, num_stations+1):
+            growth.append(st.number_input(f"ایستگاه {station} - ارتفاع", value=0))
+        for well in range(1, num_wells+1):
+            growth.append(st.number_input(f"چاهک {well} - سطح آب", value=0))
+        growth.append(st.number_input("رطوبت غلاف", value=0))
+        growth.append(st.number_input("نیتروژن", value=0))
+        manual_data.append(growth)
+
+    if st.button("پیش‌بینی رشد هفته آینده"):
+        manual_data = pd.DataFrame(manual_data, columns=[f'growth_station_{i}' for i in range(1, 6)] +
+                                                        [f'height_station_{i}' for i in range(1, 6)] +
+                                                        [f'well_{i}_water_level' for i in range(1, 3)] +
+                                                        ['moisture', 'nitrogen'])
+        manual_data = calculate_growth_and_height(manual_data)
+        predictions = model.predict(manual_data.drop('mean_growth', axis=1))
+        results = pd.DataFrame({
+            'مزرعه': range(1, num_farms+1),
+            'پیش‌بینی رشد هفته آینده': predictions
+        })
+        st.write("نتایج پیش‌بینی:", results)
+else:
+    st.write("لطفا فایل داده‌ها را آپلود کنید یا داده‌ها را به صورت دستی وارد کنید.")
+
+if st.checkbox("نمایش ساختار داده‌ها"):
+    st.write("""
+    ### ساختار داده‌ها:
+    - growth_station_1 تا growth_station_5: رشد ایستگاه‌ها
+    - height_station_1 تا height_station_5: ارتفاع ایستگاه‌ها
+    - well_1_water_level و well_2_water_level: سطح آب چاهک‌ها
+    - moisture: رطوبت غلاف
+    - nitrogen: نیتروژن
+    - mean_growth: میانگین رشد (هدف پیش‌بینی)
+    """)