Upload 4 files

app.py

@@ -0,0 +1,86 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import pickle
+
+# Modell laden
+model_filename = "random_forest_regression.pkl"
+with open(model_filename, "rb") as f:
+    model = pickle.load(f)
+
+# CSV-Daten laden
+df_bfs_data = pd.read_csv("bfs_municipality_and_tax_data.csv", sep=",", encoding="utf-8")
+df_bfs_data["tax_income"] = df_bfs_data["tax_income"].str.replace("'", "").astype(float)
+
+# Neue Features berechnen
+df_bfs_data["emp_per_capita"] = df_bfs_data["emp"] / df_bfs_data["pop"]
+df_bfs_data["wealth_factor"] = df_bfs_data["tax_income"] * df_bfs_data["emp_per_capita"]
+
+# Alle Ortschaften
+locations = {
+    "Zürich": 261, "Kloten": 62, "Uster": 198, "Illnau-Effretikon": 296, "Feuerthalen": 27,
+    "Pfäffikon": 177, "Ottenbach": 11, "Dübendorf": 191, "Richterswil": 138, "Maur": 195,
+    "Embrach": 56, "Bülach": 53, "Winterthur": 230, "Oetwil am See": 157, "Russikon": 178,
+    "Obfelden": 10, "Wald (ZH)": 120, "Niederweningen": 91, "Dällikon": 84, "Buchs (ZH)": 83,
+    "Rüti (ZH)": 118, "Hittnau": 173, "Bassersdorf": 52, "Glattfelden": 58, "Opfikon": 66,
+    "Hinwil": 117, "Regensberg": 95, "Langnau am Albis": 136, "Dietikon": 243, "Erlenbach (ZH)": 151,
+    "Kappel am Albis": 6, "Stäfa": 158, "Zell (ZH)": 231, "Turbenthal": 228, "Oberglatt": 92,
+    "Winkel": 72, "Volketswil": 199, "Kilchberg (ZH)": 135, "Wetzikon (ZH)": 121, "Zumikon": 160,
+    "Weisslingen": 180, "Elsau": 219, "Hettlingen": 221, "Rüschlikon": 139, "Stallikon": 13,
+    "Dielsdorf": 86, "Wallisellen": 69, "Dietlikon": 54, "Meilen": 156, "Wangen-Brüttisellen": 200,
+    "Flaach": 28, "Regensdorf": 96, "Niederhasli": 90, "Bauma": 297, "Aesch (ZH)": 241,
+    "Schlieren": 247, "Dürnten": 113, "Unterengstringen": 249, "Gossau (ZH)": 115,
+    "Oberengstringen": 245, "Schleinikon": 98, "Aeugst am Albis": 1, "Rheinau": 38, "Höri": 60,
+    "Rickenbach (ZH)": 225, "Rafz": 67, "Adliswil": 131, "Zollikon": 161, "Urdorf": 250,
+    "Hombrechtikon": 153, "Birmensdorf (ZH)": 242, "Fehraltorf": 172, "Weiach": 102,
+    "Männedorf": 155, "Küsnacht (ZH)": 154, "Hausen am Albis": 4, "Hochfelden": 59,
+    "Fällanden": 193, "Greifensee": 194, "Mönchaltorf": 196, "Dägerlen": 214, "Thalheim an der Thur": 39,
+    "Uetikon am See": 159, "Seuzach": 227, "Uitikon": 248, "Affoltern am Albis": 2, "Geroldswil": 244,
+    "Niederglatt": 89, "Thalwil": 141, "Rorbas": 68, "Pfungen": 224, "Weiningen (ZH)": 251,
+    "Bubikon": 112, "Neftenbach": 223, "Mettmenstetten": 9, "Otelfingen": 94, "Flurlingen": 29,
+    "Stadel": 100, "Grüningen": 116, "Henggart": 31, "Dachsen": 25, "Bonstetten": 3,
+    "Bachenbülach": 51, "Horgen": 295
+}
+
+# Vorhersagefunktion
+def predict(rooms, area, town):
+    if town not in locations:
+        return "Stadt nicht gefunden!"
+    
+    bfs_number = locations[town]
+    df = df_bfs_data[df_bfs_data["bfs_number"] == bfs_number].copy()
+    df.reset_index(inplace=True)
+
+    if len(df) != 1:
+        return "Keine eindeutigen Daten für diese Stadt!"
+
+    # Benutzerwerte (`rooms` und `area`) hinzufügen
+    df.loc[0, "rooms"] = rooms
+    df.loc[0, "area"] = area
+
+    # Nur die Features verwenden, mit denen das Modell trainiert wurde
+    prediction = model.predict(df[['pop', 'pop_dens', 'frg_pct', 'emp', 'tax_income', 'emp_per_capita', 'wealth_factor']])
+
+    return f"Vorhergesagter Mietpreis: {round(prediction[0], 2)} CHF"
+
+# Gradio-Interface
+demo = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Number(label="Anzahl Zimmer"),
+        gr.Number(label="Wohnfläche (m²)"),
+        gr.Dropdown(choices=locations.keys(), label="Stadt"),
+    ],
+    outputs="text",
+    title="Mietpreis-Vorhersage",
+    description="Gibt eine Mietpreis-Vorhersage für eine Wohnung basierend auf Stadt, Wohnfläche und Zimmeranzahl aus.",
+    examples=[
+        [4.5, 120, "Dietlikon"],
+        [3.5, 60, "Winterthur"],
+        [2, 40, "Zürich"],
+    ],
+)
+
+# App starten
+if __name__ == "__main__":
+    demo.launch()

random_forest_regression.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:935683d59d84c4a9235045ebc7370c33274173e3682adf433844689a4964a8df
+size 15697602

requirements.txt

@@ -0,0 +1,4 @@
+gradio
+pandas
+numpy
+scikit-learn