Create app.py

app.py

@@ -0,0 +1,99 @@
+# Fonction de prédiction
+import gradio as gr
+import joblib
+# importer les encodeurs
+encoder0 = joblib.load('marque.joblib')
+encoder1 = joblib.load('transmission.joblib')
+encoder2 = joblib.load('quartier.joblib')
+encoder3 = joblib.load('etat.joblib')
+
+Qt= joblib.load('liste_quartier.joblib')
+Mq= joblib.load('liste_marque.joblib')
+Tr= joblib.load('liste_transmission.joblib')
+# importer le modèle
+xgb = joblib.load('xgb.joblib')
+# importer le normaliseur
+scaler = joblib.load('scaler.joblib')
+def Pred_func(marque,annee,transmission,prix, quartier):
+
+  # Encoder les valeurs des , Seller_Type et Transmission
+  Marque = encoder0.transform([marque])[0]
+  Transmission = encoder1.transform([transmission])[0]
+  Quartier = encoder2.transform([quartier])[0]
+  
+  # vecteur des valeurs numériques
+  x_new = np.array([Marque,annee, Transmission,prix, Quartier, ])
+  x_new = x_new.reshape(1,-1) # convert en un 2D array
+  # Normaliser les données
+  x_new = scaler.transform(x_new)
+  # Prédire
+  y_pred = xgb.predict(x_new)[0]
+  if y_pred == 1:
+    return 'venant'
+  else:
+    return 'occasion'
+Pred_func('Ford',2017,'Automatique',30000000,'Amitié')  
+
+
+# Fonction de prédiction multiple
+def Pred_func_csv(file):
+  # Lire le fichier csv
+  df = pd.read_csv(file)
+  predictions = []
+  # Boucle sur les lignes du dataframe
+  for row in df.iloc[:, :].values:
+    # nouvelle ligne avec les valeurs des Fuel_Type, Seller_Type et Transmission encodées
+    # new_row = np.array([row[0], row[1], encoder0.transform([row[2]])[0], encoder1.transform([row[3]])[0], encoder2.transform([row[4]])[0], encoder3.transform([row[5]])])
+    # new_row = new_row.reshape(1,-1) # convertir en un 2D array
+    # # Normaliser les données
+    # new_row = scaler.transform(new_row)
+    # # Prédire
+    # y_pred = xgb.predict(new_row)
+    # # Arrondir
+    # y_pred = round(y_pred[0],2)
+
+    y_pred = Pred_func(row[0],row[1],row[2],row[3],row[4])
+
+    # ajouter la prediction sur List_predictions
+    predictions.append(y_pred)
+
+  df['etat'] = predictions
+  df.to_csv('predictions.csv', index = False)
+  return 'predictions.csv'
+
+
+# définir les blocks
+demo = gr.Blocks(theme = gr.themes.Monochrome())
+
+# Créer les inputs
+inputs = [gr.Dropdown(choices=Mq, label ='Marque'),
+          gr.Number(label='Annee'),
+          gr.Dropdown(choices=Tr, label='Transmission'),
+          gr.Number(label='Prix'),
+          gr.Dropdown(choices=Qt, label='Quartier')]
+          
+# Créer les outputs
+outputs = gr.Textbox(label='Etat')
+# Créer l'interface 1
+interface1 = gr.Interface(fn = Pred_func,
+                         inputs = inputs,
+                         outputs = outputs,
+                         title="Prédire l'Etat de la voiture",
+                         description = """Ce modèle de machine learning nous permet de predire l'état d'une voiture
+                         à partir de sa marque,de l'annee, de la transmission, du prix et du quartier de la voiture.
+                         """)
+# Créer l'interface 2
+interface2 = gr.Interface(fn = Pred_func_csv,
+                         inputs = gr.File(label='Importer un fichier CSV'),
+                          outputs = gr.File(label='Télécharger un fichier CSV'),
+                         title="Prédiction du prix de plusieurs voitures",
+                         description = """Ce modèle de machine learning nous permet de predire l'état d'une voiture
+                         à partir de sa marque,de l'annee, de la transmission, du prix et du quartier de la voiture.
+                         """)
+
+# faire un tabbing des interfaces
+with demo:
+  gr.TabbedInterface([interface1, interface2], ['Prédiction Simple', 'Prédiction multiple'])
+
+# lancer l'interface
+demo.launch()