Update app.py

app.py

@@ -2,37 +2,27 @@ import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 import warnings
-warnings.filterwarnings('ignore')
+import streamlit as st
 from sklearn.model_selection import train_test_split
-from sklearn.linearRegression import LinearRegression
+from sklearn.linear_model import LinearRegression
 from sklearn.metrics import mean_squared_error, r2_score
 from sklearn.compose import ColumnTransformer
-from sklearn.preprocessing import OneHotEncoder, StandardScaler
+from sklearn.preprocessing import StandardScaler
 from sklearn.pipeline import Pipeline
-import streamlit as st
 
-# Veri okuma
-df = pd.read_excel('iot predictive analysis.xlsx')
+warnings.filterwarnings('ignore')
 
-# Sütun isimlerindeki boşlukları temizleme
-df.columns = df.columns.str.strip()
+# Veri okuma
+@st.cache_data
+def load_data(file_path):
+    df = pd.read_excel(file_path)
+    df.columns = df.columns.str.strip()  # Sütun isimlerindeki boşlukları temizleme
+    return df
 
-# Değişkenlerin açıklaması
-columns_dict = {
-    'footfall': 'Belirli bir süre boyunca bir alandan geçen kişi sayısı.',
-    'atemp': 'Sensörün bulunduğu alanın dış ortam sıcaklığı.',
-    'selfLR': 'Bir cihazın kendi içindeki yük direnci.',
-    'ClinLR': 'Belirli bir klinik ortamda kullanılan yük direnci.',
-    'DoleLR': 'Belirli bir alandaki yük direnci.',
-    'PID': 'Orantısal, integral ve türev kontrol sistemi değeri.',
-    'outpressure': 'Cihazın dış ortam basıncı.',
-    'inpressure': 'Cihazın iç ortam basıncı.',
-    'temp': 'Genel ortam sıcaklığı.',
-    'fail': 'Cihazın arıza durumu.'
-}
+df = load_data('iot predictive analysis.xlsx')
 
 # Veri setini özellikler ve hedef olarak ayırma
-y = df.fail
+y = df['fail']
 X = df.drop(['fail'], axis=1)
 
 # Eğitim ve test kümelerine ayırma