Create app.py

app.py

@@ -0,0 +1,70 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+import pandas as pd
+from datasets import load_dataset
+
+model = tf.keras.models.load_model('model/price_model.h5')
+location_mapping = {1: 'Астрахань', 2: 'Волгоград', 3: 'Краснодар', 4: 'Ростов-на-Дону', 5: 'Майкоп', 6: 'Элиста'}
+district_mapping = {
+    1: [11, 12, 13, 14, 15],
+    2: [21, 22, 23, 24, 25, 26, 27, 28],
+    3: [31, 32, 33, 34],
+    4: [41, 42, 43, 44, 45, 46, 47, 48],
+    5: [51],
+    6: [61]
+}
+district_names = {
+    11: 'Астрахань - Кировский', 12: 'Астрахань - Ленинский', 13: 'Астрахань - Советский', 14: 'Астрахань - Трусовский', 15: 'Астрахань - Центральный',
+    21: 'Волгоград - Ворошиловский', 22: 'Волгоград - Дзержинский', 23: 'Волгоград - Кировский', 24: 'Волгоград - Красноармейский', 25: 'Волгоград - Краснооктябрьский', 26: 'Волгоград - Советский', 27: 'Волгоград - Тракторозаводский', 28: 'Волгоград - Центральный',
+    31: 'Краснодар - Западный', 32: 'Краснодар - Карасунский', 33: 'Краснодар - Прикубанский', 34: 'Краснодар - Центральный',
+    41: 'Ростов-на-Дону - Ворошиловский', 42: 'Ростов-на-Дону - Железнодорожный', 43: 'Ростов-на-Дону - Кировский', 44: 'Ростов-на-Дону - Ленинский', 45: 'Ростов-на-Дону - Октябрьский', 46: 'Ростов-на-Дону - Первомайский', 47: 'Ростов-на-Дону - Пролетарский', 48: 'Ростов-на-Дону - Советский',
+    51: 'Майкоп - Центральный',
+    61: 'Элиста - Центральный'
+}
+author_type_mapping = {0: 'Риелтор', 1: 'Частный владелец'}
+dataset = load_dataset("1sozidatel1/sfd_housing_prices_november_2024")
+data = pd.DataFrame(dataset['train'])
+feature_cols = ['author_type_id', 'location_id', 'district_id', 'floor', 'rooms_count', 'total_meters']
+
+X = data[feature_cols]
+X_min = X.min()
+X_max = X.max()
+y = data['price'].values.reshape(-1, 1)
+y_min = np.min(y)
+y_max = np.max(y)
+
+def predict_price(author_type, location, district, floor, rooms_count, total_meters):
+    author_type_id = list(author_type_mapping.keys())[list(author_type_mapping.values()).index(author_type)]
+    location_id = list(location_mapping.keys())[list(location_mapping.values()).index(location)]
+    district_id = list(district_names.keys())[list(district_names.values()).index(district)]
+    input_data = np.array([[author_type_id, location_id, district_id, floor, rooms_count, total_meters]])
+    input_data_normalized = (input_data - X_min.values) / (X_max.values - X_min.values)
+    prediction = model.predict(input_data_normalized)
+    prediction_unscaled = prediction * (y_max - y_min) + y_min
+    return np.round(prediction_unscaled.flatten()[0], 1)
+
+def update_districts(location):
+    location_id = list(location_mapping.keys())[list(location_mapping.values()).index(location)]
+    districts = [district_names[district_id] for district_id in district_mapping[location_id]]
+    return gr.update(choices=districts)
+
+with gr.Blocks() as demo:
+    gr.Markdown("# Модель предсказания цен на недвижимость")
+    gr.Markdown("Этот интерфейс позволяет предсказать цену на недвижимость на основе различных параметров, таких как тип продавца, город, район, этаж, количество комнат и площадь. Введите необходимые данные и нажмите кнопку 'Предсказать цену', чтобы получить предсказание 💵")
+    with gr.Row():
+        with gr.Column():
+            author_type = gr.Dropdown(choices=list(author_type_mapping.values()), label="Тип продавца")
+            location = gr.Dropdown(choices=list(location_mapping.values()), label="Город")
+            district = gr.Dropdown(label="Район")
+            floor = gr.Number(label="Этаж", minimum=1, maximum=50)
+            rooms_count = gr.Dropdown(choices=[1, 2, 3, 4, 5], label="Количество комнат")
+            total_meters = gr.Number(label="Площадь, кв.м")
+            predict_btn = gr.Button("Предсказать цену")
+        with gr.Column():
+            price = gr.Number(label="Предсказанная цена, (тыс. руб.)")
+
+    location.change(update_districts, inputs=location, outputs=district)
+    predict_btn.click(predict_price, inputs=[author_type, location, district, floor, rooms_count, total_meters], outputs=price)
+
+demo.launch()