1sozidatel1 commited on
Commit
2e9c8f6
·
1 Parent(s): b5fff1b

Create app.py

Browse files
Files changed (1) hide show
  1. app.py +70 -0
app.py ADDED
@@ -0,0 +1,70 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ import gradio as gr
2
+ import tensorflow as tf
3
+ import numpy as np
4
+ import pandas as pd
5
+ from datasets import load_dataset
6
+
7
+ model = tf.keras.models.load_model('model/price_model.h5')
8
+ location_mapping = {1: 'Астрахань', 2: 'Волгоград', 3: 'Краснодар', 4: 'Ростов-на-Дону', 5: 'Майкоп', 6: 'Элиста'}
9
+ district_mapping = {
10
+ 1: [11, 12, 13, 14, 15],
11
+ 2: [21, 22, 23, 24, 25, 26, 27, 28],
12
+ 3: [31, 32, 33, 34],
13
+ 4: [41, 42, 43, 44, 45, 46, 47, 48],
14
+ 5: [51],
15
+ 6: [61]
16
+ }
17
+ district_names = {
18
+ 11: 'Астрахань - Кировский', 12: 'Астрахань - Ленинский', 13: 'Астрахань - Советский', 14: 'Астрахань - Трусовский', 15: 'Астрахань - Центральный',
19
+ 21: 'Волгоград - Ворошиловский', 22: 'Волгоград - Дзержинский', 23: 'Волгоград - Кировский', 24: 'Волгоград - Красноармейский', 25: 'Волгоград - Краснооктябрьский', 26: 'Волгоград - Советский', 27: 'Волгоград - Тракторозаводский', 28: 'Волгоград - Центральный',
20
+ 31: 'Краснодар - Западный', 32: 'Краснодар - Карасунский', 33: 'Краснодар - Прикубанский', 34: 'Краснодар - Центральный',
21
+ 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',
22
+ 51: 'Майкоп - Центральный',
23
+ 61: 'Элиста - Центральный'
24
+ }
25
+ author_type_mapping = {0: 'Риелтор', 1: 'Частный владелец'}
26
+ dataset = load_dataset("1sozidatel1/sfd_housing_prices_november_2024")
27
+ data = pd.DataFrame(dataset['train'])
28
+ feature_cols = ['author_type_id', 'location_id', 'district_id', 'floor', 'rooms_count', 'total_meters']
29
+
30
+ X = data[feature_cols]
31
+ X_min = X.min()
32
+ X_max = X.max()
33
+ y = data['price'].values.reshape(-1, 1)
34
+ y_min = np.min(y)
35
+ y_max = np.max(y)
36
+
37
+ def predict_price(author_type, location, district, floor, rooms_count, total_meters):
38
+ author_type_id = list(author_type_mapping.keys())[list(author_type_mapping.values()).index(author_type)]
39
+ location_id = list(location_mapping.keys())[list(location_mapping.values()).index(location)]
40
+ district_id = list(district_names.keys())[list(district_names.values()).index(district)]
41
+ input_data = np.array([[author_type_id, location_id, district_id, floor, rooms_count, total_meters]])
42
+ input_data_normalized = (input_data - X_min.values) / (X_max.values - X_min.values)
43
+ prediction = model.predict(input_data_normalized)
44
+ prediction_unscaled = prediction * (y_max - y_min) + y_min
45
+ return np.round(prediction_unscaled.flatten()[0], 1)
46
+
47
+ def update_districts(location):
48
+ location_id = list(location_mapping.keys())[list(location_mapping.values()).index(location)]
49
+ districts = [district_names[district_id] for district_id in district_mapping[location_id]]
50
+ return gr.update(choices=districts)
51
+
52
+ with gr.Blocks() as demo:
53
+ gr.Markdown("# Модель предсказания цен на недвижимость")
54
+ 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 💵")
55
+ with gr.Row():
56
+ with gr.Column():
57
+ author_type = gr.Dropdown(choices=list(author_type_mapping.values()), label="Тип продавца")
58
+ location = gr.Dropdown(choices=list(location_mapping.values()), label="Город")
59
+ district = gr.Dropdown(label="Район")
60
+ floor = gr.Number(label="Этаж", minimum=1, maximum=50)
61
+ rooms_count = gr.Dropdown(choices=[1, 2, 3, 4, 5], label="Количество комнат")
62
+ total_meters = gr.Number(label="Площадь, кв.м")
63
+ predict_btn = gr.Button("Предсказать цену")
64
+ with gr.Column():
65
+ price = gr.Number(label="Предсказанная цена, (тыс. руб.)")
66
+
67
+ location.change(update_districts, inputs=location, outputs=district)
68
+ predict_btn.click(predict_price, inputs=[author_type, location, district, floor, rooms_count, total_meters], outputs=price)
69
+
70
+ demo.launch()