Upload app.py

app.py

@@ -1,3 +1,4 @@
+
 import gradio as gr
 import numpy as np
 import pandas as pd
@@ -6,9 +7,6 @@ from sklearn import datasets
 from sklearn.preprocessing import StandardScaler
 from sklearn.decomposition import PCA
 
-# ======================
-# NL labels voor features
-# ======================
 FEATURE_LABELS = {
     "age": "Leeftijd",
     "sex": "Geslacht",
@@ -24,16 +22,13 @@ FEATURE_LABELS = {
 }
 LABEL_TO_KEY = {v: k for k, v in FEATURE_LABELS.items()}
 
-# ======================
-# Medisch nut (bovenaan) + speels blok
-# ======================
-MEDICAL_MD = r"""
+MEDICAL_MD = """
 ### Medisch nut  
 
 **Wat zien we hier?**  
 Ik heb een bestaande, anonieme gezondheidsdataset gebruikt die speciaal beschikbaar is gemaakt voor onderzoek en studie. In deze gegevens staan metingen van een grote groep patiënten, zoals **bloedwaarden, BMI, cholesterol en bloedsuiker**.  
 
-Zo’n enorme berg cijfers is voor artsen en ziekenhuizen bijna niet in één keer te overzien. Het is gewoon te veel om met het blote oog patronen uit te halen.  
+Zo'n enorme berg cijfers is voor artsen en ziekenhuizen bijna niet in één keer te overzien. Het is gewoon te veel om met het blote oog patronen uit te halen.  
 
 **Daar komt kunstmatige intelligentie om de hoek kijken.**  
 Met deze techniek (PCA) kan de computer de data slim samenvatten en patronen zichtbaar maken. Dit programma dat ik heb ontworpen laat live zien hoe die samenvatting werkt.  
@@ -44,7 +39,7 @@ Met deze techniek (PCA) kan de computer de data slim samenvatten en patronen zic
 - Links bovenin kun je kiezen welke meting je als uitgangspunt wilt nemen.  
 
 **En wat heb je hieraan?**  
-In de praktijk gebruiken artsen en onderzoekers zo’n plot om patronen en verbanden te ontdekken. 👉 Het is dus niet alleen een mooi plaatje, maar echt een manier om grote hoeveelheden data sneller en slimmer te begrijpen.  
+In de praktijk gebruiken artsen en onderzoekers zo'n plot om patronen en verbanden te ontdekken. 👉 Het is dus niet alleen een mooi plaatje, maar echt een manier om grote hoeveelheden data sneller en slimmer te begrijpen.  
 
 Met AI kunnen we patronen vinden die je met het blote oog nooit zou zien. Dat maakt dit niet alleen een mooie visualisatie, maar ook een knap stukje technologie met échte waarde voor onderzoek en zorg.  
 
@@ -52,19 +47,15 @@ Met AI kunnen we patronen vinden die je met het blote oog nooit zou zien. Dat ma
 Doe alsof je een arts bent en kies links bovenin een waarde, bijvoorbeeld **cholesterol**, **leeftijd** of **geslacht**. Klik daarna op *Update visualisaties* en ontdek je eigen patronen in de data.  
 """
 
-# ======================
-# Data helpers
-# ======================
 def load_diabetes_df():
     d = datasets.load_diabetes()
-    X = pd.DataFrame(d.data, columns=d.feature_names)  # standardized features
+    X = pd.DataFrame(d.data, columns=d.feature_names)
     y = pd.Series(d.target, name="target")
     df = X.copy()
     df["target"] = y
     return df
 
 def compute_overview_table(df: pd.DataFrame):
-    """Gemiddelde + % boven/onder gemiddelde voor kernmetingen (gestandaardiseerd)."""
     keys = ["bmi","bp","s1","s2","s3","s4","s5","s6"]
     rows = []
     for k in keys:
@@ -72,7 +63,7 @@ def compute_overview_table(df: pd.DataFrame):
         if vals.size == 0:
             continue
         mean = float(vals.mean())
-        pct_above = float((vals > 0).mean() * 100.0)  # 0 ≈ globaal gemiddelde
+        pct_above = float((vals > 0).mean() * 100.0)
         pct_below = float((vals < 0).mean() * 100.0)
         rows.append({
             "Meting": FEATURE_LABELS.get(k, k),
@@ -88,17 +79,7 @@ def compute_overview_table(df: pd.DataFrame):
     )
     return table, note
 
-# ======================
-# PCA biplot kernel
-# ======================
-def pca_biplot(
-    color_label="BMI (Body Mass Index)",
-    arrow_scale=2.0,
-    point_size=32,
-    alpha=0.85,
-    n_components=10,
-    standardize=True,
-):
+def pca_biplot(color_label="BMI (Body Mass Index)", arrow_scale=2.0, point_size=32, alpha=0.85, n_components=10, standardize=True):
     df = load_diabetes_df()
     overview_df, overview_note = compute_overview_table(df)
 
@@ -119,7 +100,6 @@ def pca_biplot(
 
     cvals = df[color_key].values
 
-    # Plot 1: Biplot
     fig1 = plt.figure(figsize=(7.8, 5.6))
     ax = fig1.add_subplot(111)
     sc = ax.scatter(Z[:, 0], Z[:, 1], c=cvals, s=point_size, alpha=alpha)
@@ -132,18 +112,14 @@ def pca_biplot(
     for i, key in enumerate(feature_keys):
         x_arrow = loadings[i, 0] * arrow_scale
         y_arrow = loadings[i, 1] * arrow_scale
-        ax.arrow(0, 0, x_arrow, y_arrow, head_width=0.05, head_length=0.08,
-                 fc="k", ec="k", length_includes_head=True)
-        ax.text(x_arrow * 1.08, y_arrow * 1.08,
-                FEATURE_LABELS.get(key, key),
-                fontsize=9, ha="center", va="center")
+        ax.arrow(0, 0, x_arrow, y_arrow, head_width=0.05, head_length=0.08, fc="k", ec="k", length_includes_head=True)
+        ax.text(x_arrow * 1.08, y_arrow * 1.08, FEATURE_LABELS.get(key, key), fontsize=9, ha="center", va="center")
 
     ax.axhline(0, color="grey", linewidth=0.6, linestyle=":")
     ax.axvline(0, color="grey", linewidth=0.6, linestyle=":")
     ax.grid(True, linestyle=":", linewidth=0.6)
     plt.tight_layout()
 
-    # Plot 2: Explained variance
     fig2 = plt.figure(figsize=(7.8, 3.8))
     ax2 = fig2.add_subplot(111)
     xs = np.arange(1, len(expl) + 1)
@@ -156,7 +132,6 @@ def pca_biplot(
     ax2.grid(True, linestyle=":", linewidth=0.6)
     plt.tight_layout()
 
-    # Tabel: top-features PC1/PC2
     load_df = pd.DataFrame({
         "feature_key": feature_keys,
         "PC1_loading": loadings[:, 0],
@@ -185,11 +160,7 @@ def pca_biplot(
 
     return fig1, fig2, table, summary_md, overview_df, overview_note
 
-# ======================
-# UI
-# ======================
 with gr.Blocks(title="PCA Biplot — Diabetes (NL labels)") as demo:
-    # Klein beetje stijl voor de tip-callout
     gr.HTML("""
     <style>
       .callout {padding:12px 14px; border-left:4px solid #2563eb; background:#f1f5f9; border-radius:6px; margin: 8px 0 18px;}
@@ -227,8 +198,4 @@ with gr.Blocks(title="PCA Biplot — Diabetes (NL labels)") as demo:
               outputs=[plot_biplot, plot_expl, table, summary, overview_tbl, overview_note_md])
 
 if __name__ == "__main__":
-    # Belangrijk voor Spaces: queue + ssr_mode uit
     demo.queue().launch(server_name="0.0.0.0", server_port=7860, ssr_mode=False, show_api=False)
-
-
-