app.py

import gradio as gr
import pandas as pd
import os
import sklearn
import pickle
import joblib

print("=== ЗАПУСК ПРИЛОЖЕНИЯ ===")
print(f"Текущая директория: {os.getcwd()}")
print(f"Файлы в директории: {os.listdir('.')}")

# Функция загрузки модели
def load_model():
    try:
        # Пробуем разные форматы и пути
        model_files = [
            'car_price_model.pkl',
            'car_price_model.joblib', 
            'car_price_pipeline.pkl',
            './car_price_model.pkl'
        ]
        
        for model_file in model_files:
            if os.path.exists(model_file):
                print(f"Найден файл модели: {model_file}")
                try:
                    # Пробуем загрузить через joblib
                    model = joblib.load(model_file)
                    print(f"Модель загружена через joblib, тип: {type(model)}")
                    return model, None
                except:
                    # Пробуем загрузить через pickle
                    try:
                        with open(model_file, 'rb') as f:
                            model = pickle.load(f)
                        print(f"Модель загружена через pickle, тип: {type(model)}")
                        return model, None
                    except Exception as e:
                        print(f"Ошибка загрузки {model_file}: {e}")
                        continue
        
        return None, "Файл модели не найден"
        
    except Exception as e:
        return None, f"Ошибка загрузки модели: {str(e)}"

# Загружаем модель при старте
model, error = load_model()
if error:
    print(f"Ошибка загрузки модели: {error}")
    demo_mode = True
else:
    print("Модель успешно загружена!")
    demo_mode = False

# Функция предсказания
def predict_car_price(vehicle_manufacturer, vehicle_category, current_mileage, 
                     vehicle_year, vehicle_gearbox_type, doors_cnt, wheels, 
                     vehicle_color, car_leather_interior):
    
    if demo_mode:
        # Демо-режим
        base_price = 5000
        year_bonus = (vehicle_year - 2000) * 200
        mileage_penalty = current_mileage * 0.01
        leather_bonus = 1000 if car_leather_interior == 1 else 0
        
        estimated_price = base_price + year_bonus - mileage_penalty + leather_bonus
        estimated_price = max(estimated_price, 500)
        
        return f"Примерная цена: ${estimated_price:,.2f} (демо-режим)\n\nМодель не загружена: {error}"
    
    else:
        # Режим с ML моделью
        try:
            input_data = pd.DataFrame({
                'vehicle_manufacturer': [vehicle_manufacturer],
                'vehicle_category': [vehicle_category],
                'current_mileage': [int(current_mileage)],
                'vehicle_year': [int(vehicle_year)],
                'vehicle_gearbox_type': [vehicle_gearbox_type],
                'doors_cnt': [doors_cnt],
                'wheels': [wheels],
                'vehicle_color': [vehicle_color],
                'car_leather_interior': [int(car_leather_interior)]
            })
            
            prediction = model.predict(input_data)[0]
            return f"Предсказанная цена: ${prediction:,.2f}"
            
        except Exception as e:
            return f"Ошибка предсказания: {str(e)}"

# Создаем интерфейс
with gr.Blocks(title="Car Price Predictor", theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 🚗 Car Price Prediction Model")
    gr.Markdown("Введите параметры автомобиля для предсказания цены")
    
    with gr.Row():
        with gr.Column():
            vehicle_manufacturer = gr.Dropdown(
                choices=['HYUNDAI', 'TOYOTA', 'BMW', 'MAZDA', 'NISSAN', 'MERCEDES-BENZ', 
                        'LEXUS', 'VOLKSWAGEN', 'HONDA', 'FORD', 'AUDI', 'KIA'],
                label="Производитель",
                value='TOYOTA'
            )
            
            vehicle_category = gr.Dropdown(
                choices=['Sedan', 'Hatchback', 'Jeep', 'Coupe', 'Minivan', 'Pickup'],
                label="Категория",
                value='Sedan'
            )
            
            current_mileage = gr.Number(
                label="Пробег (км)",
                value=100000,
                minimum=0
            )
            
            vehicle_year = gr.Slider(
                label="Год выпуска",
                minimum=1990,
                maximum=2024,
                value=2015,
                step=1
            )
            
        with gr.Column():
            vehicle_gearbox_type = gr.Dropdown(
                choices=['Automatic', 'Manual', 'Tiptronic'],
                label="Тип коробки передач",
                value='Automatic'
            )
            
            doors_cnt = gr.Dropdown(
                choices=['2/3', '4/5'],
                label="Количество дверей",
                value='4/5'
            )
            
            wheels = gr.Dropdown(
                choices=['Left wheel', 'Right-hand drive'],
                label="Расположение руля",
                value='Left wheel'
            )
            
            vehicle_color = gr.Dropdown(
                choices=['Silver', 'White', 'Grey', 'Black', 'Blue', 'Red'],
                label="Цвет",
                value='Black'
            )
            
            car_leather_interior = gr.Radio(
                choices=[("Нет", 0), ("Да", 1)],
                label="Кожаный салон",
                value=1
            )
    
    predict_btn = gr.Button("Предсказать цену", variant="primary")
    
    output = gr.Textbox(
        label="Результат",
        interactive=False,
        lines=3
    )
    
    predict_btn.click(
        fn=predict_car_price,
        inputs=[vehicle_manufacturer, vehicle_category, current_mileage, 
                vehicle_year, vehicle_gearbox_type, doors_cnt, wheels, 
                vehicle_color, car_leather_interior],
        outputs=output
    )

if __name__ == "__main__":
    demo.launch()