Update app.py

app.py

@@ -1,12 +1,18 @@
 import streamlit as st
-from transformers import pipeline
 import pandas as pd
-import numpy as np
-#classifier
-classifier = pipeline("zero-shot-classification", model="morit/french_xlm_xnli")
+from transformers import pipeline
+
+# Load the Comments.csv file
+df = pd.read_csv("Comments.csv")
 
-# Création d'une entrée pour le texte à analyser
-text = st.text_input('Entrer le texte à analyser') 
+# Get the comments from the DataFrame
+comments = df["comment"].tolist()
+
+# Create a selectbox to choose a comment
+selected_comment = st.selectbox("Select a comment", comments)
+
+# Display the selected comment in the text input
+text = st.text_input('Entrer le texte à analyser', value=selected_comment)
 
 # Labels candidats pour la classification
 candidate_labels = ["commentaire positive", "commentaire négative"]
@@ -14,8 +20,12 @@ candidate_labels = ["commentaire positive", "commentaire négative"]
 # Modèle de phrase pour la formation de l'hypothèse
 hypothesis_template = "Cet exemple est un {}."
 
+# Create the classifier pipeline
+classifier = pipeline("zero-shot-classification", model="morit/french_xlm_xnli")
+
 # Exécution de la classification seulement si du texte est entré
 if text and candidate_labels:  # Vérifier si du texte et au moins une étiquette sont présents
-    st.write(classifier(text, candidate_labels, hypothesis_template=hypothesis_template))
+    result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
+    st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
 else:
     st.write("Veuillez entrer du texte pour l'analyse.")