app.py

import gradio as gr
import joblib
import pandas as pd
import numpy as np

# Carregar o modelo treinado e o encoder
model_path = 'tiebreak_model_v1b.pkl'
encoder_path = 'ordinal_encoder_tiebreak_model_v1b.pkl'

model = joblib.load(model_path)
encoder = joblib.load(encoder_path)

# Função para prever utilizando o modelo
def predict_tiebreak(df):
    def calculate_features(row):
        odds_min = min(row['Odds 1'], row['Odds 2'])
        odds_max = max(row['Odds 1'], row['Odds 2'])
        odds_ratio = odds_min / odds_max
        diff_log_odds = np.log(odds_max) / np.log(odds_min)
        sum_prob = (1 / odds_min) + (1 / odds_max)
        mean_log_odds = (np.log(odds_max) + np.log(odds_min)) / 2
        
        return pd.Series([mean_log_odds, sum_prob, odds_ratio])

    df[['Mean_Log_Odds', 'Sum_Prob', 'Ratio_Log_Odds']] = df.apply(calculate_features, axis=1)

    # Aplicar o OptimalBinning e transformar os dados
    bin_columns = ['Mean_Log_Odds', 'Sum_Prob']
    bin_transformed_columns = [f"{col}_bin" for col in bin_columns]
    
    for column in bin_columns:
        optb = joblib.load(f'{column}_binning_tiebreak_model_v1b.pkl')
        df[f"{column}_bin"] = optb.transform(df[column], metric="bins")
    
    # Aplicar o encoder nas variáveis binadas, na ordem correta
    df[bin_transformed_columns] = encoder.transform(df[bin_transformed_columns])

    # Selecionar as features para predição
    features = df[['Mean_Log_Odds_bin', 'Sum_Prob_bin', 'Ratio_Log_Odds']]
    df['Probability'] = model.predict_proba(features)[:, 1]

    # Usar o threshold definido
    best_threshold = 0.9420000000000005
    df['entrada'] = df['Probability'] >= best_threshold
    df = df[df['entrada'] == True]
    
    return df

# Função para carregar o arquivo Excel e prever
def predict_from_excel(file):
    df = pd.read_excel(file)
    df_predictions = predict_tiebreak(df)

    # Salvar o DataFrame resultante em um arquivo Excel
    output_file = "predictions.xlsx"
    df_predictions.to_excel(output_file, index=False)
    
    return df_predictions, output_file

# Interface Gradio usando a nova API de componentes
inputs = gr.File(label="Upload Excel File")
outputs = [gr.DataFrame(label="Tabela de Previsões"), gr.File(label="Download Predictions Excel")]

# Criando a interface
gr.Interface(
    fn=predict_from_excel, 
    inputs=inputs, 
    outputs=outputs, 
    title="Previsão de Tiebreaks",
    description="Faça o upload de um arquivo Excel contendo dados no formato final_df para prever a probabilidade de menos de 1.5 tiebreaks e verificar se deve entrar na aposta."
).launch()