Create app.py

app.py

@@ -0,0 +1,78 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+from transformers import pipeline
+from sklearn.impute import SimpleImputer
+from sklearn.ensemble import IsolationForest
+import subprocess
+import sys
+
+# التحقق من تثبيت PyTorch أو TensorFlow
+try:
+    import torch
+except ImportError:
+    print("PyTorch غير مثبت، سيتم تثبيته الآن.")
+    subprocess.check_call([sys.executable, "-m", "pip", "install", "torch"])
+
+try:
+    import tensorflow
+except ImportError:
+    print("TensorFlow غير مثبت، سيتم تثبيته الآن.")
+    subprocess.check_call([sys.executable, "-m", "pip", "install", "tensorflow"])
+
+# تحميل نموذج التلخيص من Hugging Face
+summarizer = pipeline("summarization", model="t5-small")
+
+def analyze_data_quality(file):
+    df = pd.read_csv(file.name)
+    
+    # البحث عن القيم الناقصة
+    missing_values = df.isnull().sum()
+    missing_summary = missing_values[missing_values > 0].to_string()
+    
+    # البحث عن القيم الشاذة باستخدام Isolation Forest
+    clf = IsolationForest(contamination=0.05, random_state=42)
+    outliers = clf.fit_predict(df.select_dtypes(include=[np.number]))
+    outlier_count = (outliers == -1).sum()
+    
+    # تلخيص النتائج
+    report = f"🔍 تحليل جودة البيانات:\n\n"
+    report += f"📌 عدد القيم الناقصة: {missing_values.sum()}\n"
+    report += f"📌 عدد القيم الشاذة: {outlier_count}\n"
+    report += "\n📊 تفاصيل القيم الناقصة:\n" + missing_summary if missing_summary else "\n✅ لا توجد قيم ناقصة."
+    
+    summary = summarizer(report, max_length=100, do_sample=False)[0]['summary_text']
+    
+    return summary
+
+def clean_data(file):
+    df = pd.read_csv(file.name)
+    
+    # معالجة القيم الناقصة بالتعبئة
+    imputer = SimpleImputer(strategy="mean")
+    df[df.select_dtypes(include=[np.number]).columns] = imputer.fit_transform(df.select_dtypes(include=[np.number]))
+    
+    # إزالة القيم الشاذة
+    clf = IsolationForest(contamination=0.05, random_state=42)
+    outliers = clf.fit_predict(df.select_dtypes(include=[np.number]))
+    df_cleaned = df[outliers != -1]
+    
+    cleaned_file = "cleaned_data.csv"
+    df_cleaned.to_csv(cleaned_file, index=False)
+    return cleaned_file
+
+# إنشاء واجهة Gradio
+with gr.Blocks() as app:
+    gr.Markdown("## 🛠️ محلل جودة البيانات")
+    
+    file_input = gr.File(label="📂 رفع ملف CSV")
+    analysis_output = gr.Textbox(label="📊 تقرير جودة البيانات")
+    cleaned_file_output = gr.File(label="✅ تحميل البيانات المنظفة")
+    
+    analyze_button = gr.Button("🔍 تحليل الجودة")
+    clean_button = gr.Button("🧹 تنظيف البيانات")
+    
+    analyze_button.click(analyze_data_quality, inputs=file_input, outputs=analysis_output)
+    clean_button.click(clean_data, inputs=file_input, outputs=cleaned_file_output)
+    
+    app.launch()