Update app.py

app.py

@@ -24,6 +24,11 @@ class HousePricePredictor:
         self.is_trained = False
         self.selected_features = None
         self._data_loaded = False
+        self.stats = {
+            'n_imoveis': 0,
+            'n_caracteristicas': 0,
+            'preco_medio': 0
+        }
         
     def load_data(self):
         """Carrega dados do arquivo kc_house_data.csv"""
@@ -37,6 +42,13 @@ class HousePricePredictor:
                 # Limpeza básica dos dados
                 self._clean_data()
                 
+                # Atualizar estatísticas
+                self.stats = {
+                    'n_imoveis': self.df.shape[0],
+                    'n_caracteristicas': self.df.shape[1],
+                    'preco_medio': self.df['price'].mean()
+                }
+                
                 self._data_loaded = True
                 print(f"✅ Dados carregados: {self.df.shape[0]} imóveis × {self.df.shape[1]} características")
                 return f"✅ Dados carregados: {self.df.shape[0]} imóveis × {self.df.shape[1]} características"
@@ -75,6 +87,21 @@ class HousePricePredictor:
             numeric_features.remove('price')
         return numeric_features
     
+    def get_dataset_stats(self):
+        """Retorna estatísticas do dataset para display seguro"""
+        if self.df is not None:
+            return {
+                'n_imoveis': self.df.shape[0],
+                'n_caracteristicas': self.df.shape[1],
+                'preco_medio': self.df['price'].mean()
+            }
+        else:
+            return {
+                'n_imoveis': 0,
+                'n_caracteristicas': 0,
+                'preco_medio': 0
+            }
+    
     def train_model(self, selected_features):
         """Treina o modelo com as features selecionadas"""
         try:
@@ -170,6 +197,7 @@ predictor = HousePricePredictor()
 print("🚀 Iniciando aplicação...")
 initial_message = predictor.load_data()
 initial_features = predictor.get_numeric_features()
+dataset_stats = predictor.get_dataset_stats()
 print(f"📊 Features disponíveis: {initial_features}")
 
 # Funções para a interface Gradio
@@ -441,6 +469,17 @@ def predict_price_action(*feature_values):
     except Exception as e:
         return f"❌ Erro na previsão: {str(e)}", None
 
+def get_dataset_info():
+    """Retorna informações do dataset para display seguro"""
+    stats = predictor.get_dataset_stats()
+    return f"""
+    **📊 Dataset Carregado:**
+    - **Arquivo**: kc_house_data.csv
+    - **Imóveis**: {stats['n_imoveis']:,}
+    - **Características**: {stats['n_caracteristicas']}
+    - **Preço Médio**: ${stats['preco_medio']:,.2f}
+    """
+
 # Interface Gradio
 with gr.Blocks(title="🏠 Análise e Previsão - King County Dataset Real") as demo:
     gr.Markdown(
@@ -456,17 +495,14 @@ with gr.Blocks(title="🏠 Análise e Previsão - King County Dataset Real") as
     
     # Status inicial
     initial_status = gr.Markdown(f"**Status:** {initial_message}")
+    dataset_info = gr.Markdown(get_dataset_info())
     
     with gr.Tab("🚀 Iniciar"):
         gr.Markdown("### Bem-vindo ao Analisador de Dados Reais do King County!")
         
-        gr.Markdown(f"""
-        **📊 Dataset Carregado:**
-        - **Arquivo**: kc_house_data.csv
-        - **Imóveis**: {predictor.df.shape[0] if predictor.df else 'Carregando...'}
-        - **Características**: {predictor.df.shape[1] if predictor.df else 'Carregando...'}
-        - **Preço Médio**: ${predictor.df['price'].mean():,.2f' if predictor.df else 'Carregando...'}
+        gr.Markdown(get_dataset_info())
         
+        gr.Markdown("""
         **🎯 Funcionalidades:**
         1. **📊 Análise Exploratória** - Gráficos com dados reais
         2. **🤖 Treinar Modelo** - Machine Learning com features selecionadas  
@@ -479,7 +515,35 @@ with gr.Blocks(title="🏠 Análise e Previsão - King County Dataset Real") as
         feature_selection = gr.Column()
         train_btn = gr.Button("🚀 Treinar Modelo", variant="primary", visible=False)
         
-        load_btn.click(load_data_action, outputs=[load_status, feature_selection, train_btn])
+        def update_after_load():
+            message = predictor.load_data()
+            info = get_dataset_info()
+            features = predictor.get_numeric_features()
+            
+            # Criar checkboxes
+            feature_checkboxes = []
+            if features and predictor.df is not None:
+                correlations = predictor.df.corr()['price'].abs().sort_values(ascending=False)
+                top_features = []
+                for feature in correlations.index:
+                    if feature != 'price' and len(top_features) < 6:
+                        top_features.append(feature)
+                
+                for feature in features:
+                    corr_value = correlations.get(feature, 0)
+                    feature_checkboxes.append(
+                        gr.Checkbox(
+                            label=f"{feature} (corr: {corr_value:.3f})",
+                            value=feature in top_features
+                        )
+                    )
+            
+            return message, info, gr.Column(feature_checkboxes), gr.update(visible=True)
+        
+        load_btn.click(
+            update_after_load,
+            outputs=[load_status, dataset_info, feature_selection, train_btn]
+        )
 
     with gr.Tab("📊 Análise Exploratória"):
         gr.Markdown("### Explore os Dados Reais do King County")