Update app.py

app.py

@@ -130,13 +130,13 @@ predictor = HousePricePredictor()
 def load_data(file):
     """Função para carregar dados do arquivo"""
     if file is None:
-        return "❌ Por favor, faça upload do arquivo CSV", None
+        return "❌ Por favor, faça upload do arquivo CSV", None, gr.update(visible=False)
     
     success, message = predictor.load_and_prepare_data(file.name)
     if success:
-        return message, gr.update(visible=True)
+        return message, gr.update(visible=True), gr.update(visible=True)
     else:
-        return message, gr.update(visible=False)
+        return message, gr.update(visible=False), gr.update(visible=False)
 
 def train_model_action():
     """Função para treinar o modelo"""
@@ -165,21 +165,12 @@ def train_model_action():
     else:
         return result, None, gr.update(visible=False)
 
-def create_prediction_interface(metrics_result):
-    """Cria a interface de previsão baseada nas features disponíveis"""
-    if predictor.feature_names is None:
-        return gr.update(visible=False)
+def create_prediction_inputs():
+    """Cria os inputs de previsão baseados nas features disponíveis"""
+    if predictor.feature_names is None or predictor.df is None:
+        return []
     
-    # Criar inputs para cada feature
     inputs = []
-    default_values = {}
-    
-    # Calcular valores médios para preenchimento automático
-    if predictor.df is not None:
-        for feature in predictor.feature_names:
-            mean_val = predictor.df[feature].mean()
-            default_values[feature] = mean_val
-    
     for feature in predictor.feature_names:
         min_val = float(predictor.df[feature].min())
         max_val = float(predictor.df[feature].max())
@@ -190,8 +181,7 @@ def create_prediction_interface(metrics_result):
                 label=feature,
                 value=mean_val,
                 minimum=min_val,
-                maximum=max_val,
-                info=f"Range: {min_val:.1f} - {max_val:.1f}"
+                maximum=max_val
             )
         )
     
@@ -215,7 +205,7 @@ def predict_price_action(*feature_values):
     # Criar visualização dos inputs
     features_text = "**Características do Imóvel:**\n"
     for feature, value in input_features.items():
-        features_text += f"\n• {feature}: {value}"
+        features_text += f"\n• {feature}: {value:.2f}"
     
     result_text = f"""
     🏠 **Previsão de Preço**
@@ -247,6 +237,7 @@ def create_analysis_plots():
         ax1.set_title('Distribuição dos Preços dos Imóveis')
         ax1.legend()
         ax1.grid(True, alpha=0.3)
+        plt.tight_layout()
         
         # Gráfico 2: Correlações
         numeric_cols = predictor.df.select_dtypes(include=[np.number]).columns.tolist()
@@ -266,22 +257,27 @@ def create_analysis_plots():
         for i, (bar, val) in enumerate(zip(bars, top_corr.values)):
             ax2.text(val + 0.01 if val > 0 else val - 0.01, i, f'{val:.3f}',
                     va='center', ha='left' if val > 0 else 'right', fontsize=9, fontweight='bold')
+        plt.tight_layout()
         
         # Gráfico 3: Scatter plot da feature mais correlacionada
-        most_correlated_feature = top_corr.index[0]
-        fig3, ax3 = plt.subplots(figsize=(10, 6))
-        ax3.scatter(predictor.df[most_correlated_feature], predictor.df['price'], 
-                   alpha=0.3, s=10, color='steelblue')
-        ax3.set_xlabel(most_correlated_feature)
-        ax3.set_ylabel('Preço ($)')
-        ax3.set_title(f'Preço vs {most_correlated_feature}\n(Corr: {top_corr.iloc[0]:.3f})')
-        ax3.grid(True, alpha=0.3)
-        
-        # Adicionar linha de tendência
-        z = np.polyfit(predictor.df[most_correlated_feature], predictor.df['price'], 1)
-        p = np.poly1d(z)
-        ax3.plot(predictor.df[most_correlated_feature], p(predictor.df[most_correlated_feature]), 
-                "r--", linewidth=2, alpha=0.8)
+        if len(top_corr) > 0:
+            most_correlated_feature = top_corr.index[0]
+            fig3, ax3 = plt.subplots(figsize=(10, 6))
+            ax3.scatter(predictor.df[most_correlated_feature], predictor.df['price'], 
+                       alpha=0.3, s=10, color='steelblue')
+            ax3.set_xlabel(most_correlated_feature)
+            ax3.set_ylabel('Preço ($)')
+            ax3.set_title(f'Preço vs {most_correlated_feature}\n(Corr: {top_corr.iloc[0]:.3f})')
+            ax3.grid(True, alpha=0.3)
+            
+            # Adicionar linha de tendência
+            z = np.polyfit(predictor.df[most_correlated_feature], predictor.df['price'], 1)
+            p = np.poly1d(z)
+            ax3.plot(predictor.df[most_correlated_feature], p(predictor.df[most_correlated_feature]), 
+                    "r--", linewidth=2, alpha=0.8)
+            plt.tight_layout()
+        else:
+            fig3 = None
         
         return fig1, fig2, fig3
         
@@ -289,8 +285,8 @@ def create_analysis_plots():
         print(f"Erro ao criar gráficos: {e}")
         return None, None, None
 
-# Interface Gradio
-with gr.Blocks(theme=gr.themes.Soft(), title="Previsão de Preços de Imóveis") as demo:
+# Interface Gradio corrigida
+with gr.Blocks(title="Previsão de Preços de Imóveis - King County") as demo:
     gr.Markdown(
         """
         # 🏠 Previsão de Preços de Imóveis - King County
@@ -322,7 +318,7 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Previsão de Preços de Imóveis")
         load_btn.click(
             load_data,
             inputs=[file_input],
-            outputs=[load_status, train_btn]
+            outputs=[load_status, train_btn, train_btn]
         )
         
         train_btn.click(
@@ -347,23 +343,25 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Previsão de Preços de Imóveis")
     
     with gr.Tab("🎯 Fazer Previsão"):
         gr.Markdown("### Faça uma Previsão de Preço")
+        gr.Markdown("Primeiro carregue os dados e treine o modelo na aba 'Carregar Dados e Treinar'")
+        
+        prediction_inputs = gr.Column()
+        predict_btn = gr.Button("💰 Prever Preço", variant="primary")
         
         with gr.Row():
-            with gr.Column():
-                prediction_inputs = gr.Column(visible=False)
-                predict_btn = gr.Button("💰 Prever Preço", variant="primary")
-            
-            with gr.Column():
-                prediction_output = gr.Markdown("Preencha os valores das características e clique em 'Prever Preço'")
-                price_display = gr.Number(
-                    label="Preço Previsto ($)",
-                    visible=False
-                )
+            prediction_output = gr.Markdown("")
+            price_display = gr.Number(
+                label="Preço Previsto ($)",
+                visible=False
+            )
         
-        # Atualizar interface de previsão quando o modelo for treinado
-        def update_prediction_interface(metrics_result):
-            inputs = create_prediction_interface(metrics_result)
-            return gr.update(visible=True, value=inputs) if inputs else gr.update(visible=False)
+        # Atualizar interface quando métricas estiverem disponíveis
+        def update_prediction_interface(metrics):
+            if metrics is None:
+                return []
+            
+            inputs = create_prediction_inputs()
+            return inputs
         
         metrics_json.change(
             update_prediction_interface,
@@ -374,7 +372,7 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Previsão de Preços de Imóveis")
         # Conectar botão de previsão
         predict_btn.click(
             predict_price_action,
-            inputs=[prediction_inputs],
+            inputs=prediction_inputs,
             outputs=[prediction_output, price_display]
         ).then(
             lambda: gr.update(visible=True),
@@ -418,9 +416,6 @@ with gr.Blocks(theme=gr.themes.Soft(), title="Previsão de Preços de Imóveis")
             """
         )
 
-# Para executar localmente (descomente se quiser testar)
-# if __name__ == "__main__":
-#     demo.launch(share=True)
-
 # Para Hugging Face Spaces
-demo.launch()
+if __name__ == "__main__":
+    demo.launch()