Update app.py

app.py

@@ -1,139 +1,92 @@
+# app.py
+
 import gradio as gr
-import tensorflow as tf
-import numpy as np
+import joblib
+import json
 import pandas as pd
+import numpy as np
+
+# --- 1. Modell & Metadaten laden ---
+# Passe den Pfad an, falls nötig
+MODEL_PATH    = "model.pkl"              # oder "random_forest_model.joblib"
+FEATURES_PATH = "features.json"
 
-model_path = "kia_apartment_keras_model.keras"
-model = tf.keras.models.load_model(model_path)
+model    = joblib.load(MODEL_PATH)
+features = json.load(open(FEATURES_PATH, "r"))
 
-df_bfs_data = pd.read_csv('bfs_municipality_and_tax_data.csv', sep=',', encoding='utf-8')
-df_bfs_data['tax_income'] = df_bfs_data['tax_income'].str.replace("'", "").astype(float)
+# Extrahiere die Modell-Kürzel aus den Feature-Namen
+model_dummies = [
+    feat.replace("Model_group_", "")
+    for feat in features
+    if feat.startswith("Model_group_")
+]
 
-locations = {
-    "Zürich": 261,
-    "Kloten": 62,
-    "Uster": 198,
-    "Illnau-Effretikon": 296,
-    "Feuerthalen": 27,
-    "Pfäffikon": 177,
-    "Ottenbach": 11,
-    "Dübendorf": 191,
-    "Richterswil": 138,
-    "Maur": 195,
-    "Embrach": 56,
-    "Bülach": 53,
-    "Winterthur": 230,
-    "Oetwil am See": 157,
-    "Russikon": 178,
-    "Obfelden": 10,
-    "Wald (ZH)": 120,
-    "Niederweningen": 91,
-    "Dällikon": 84,
-    "Buchs (ZH)": 83,
-    "Rüti (ZH)": 118,
-    "Hittnau": 173,
-    "Bassersdorf": 52,
-    "Glattfelden": 58,
-    "Opfikon": 66,
-    "Hinwil": 117,
-    "Regensberg": 95,
-    "Langnau am Albis": 136,
-    "Dietikon": 243,
-    "Erlenbach (ZH)": 151,
-    "Kappel am Albis": 6,
-    "Stäfa": 158,
-    "Zell (ZH)": 231,
-    "Turbenthal": 228,
-    "Oberglatt": 92,
-    "Winkel": 72,
-    "Volketswil": 199,
-    "Kilchberg (ZH)": 135,
-    "Wetzikon (ZH)": 121,
-    "Zumikon": 160,
-    "Weisslingen": 180,
-    "Elsau": 219,
-    "Hettlingen": 221,
-    "Rüschlikon": 139,
-    "Stallikon": 13,
-    "Dielsdorf": 86,
-    "Wallisellen": 69,
-    "Dietlikon": 54,
-    "Meilen": 156,
-    "Wangen-Brüttisellen": 200,
-    "Flaach": 28,
-    "Regensdorf": 96,
-    "Niederhasli": 90,
-    "Bauma": 297,
-    "Aesch (ZH)": 241,
-    "Schlieren": 247,
-    "Dürnten": 113,
-    "Unterengstringen": 249,
-    "Gossau (ZH)": 115,
-    "Oberengstringen": 245,
-    "Schleinikon": 98,
-    "Aeugst am Albis": 1,
-    "Rheinau": 38,
-    "Höri": 60,
-    "Rickenbach (ZH)": 225,
-    "Rafz": 67,
-    "Adliswil": 131,
-    "Zollikon": 161,
-    "Urdorf": 250,
-    "Hombrechtikon": 153,
-    "Birmensdorf (ZH)": 242,
-    "Fehraltorf": 172,
-    "Weiach": 102,
-    "Männedorf": 155,
-    "Küsnacht (ZH)": 154,
-    "Hausen am Albis": 4,
-    "Hochfelden": 59,
-    "Fällanden": 193,
-    "Greifensee": 194,
-    "Mönchaltorf": 196,
-    "Dägerlen": 214,
-    "Thalheim an der Thur": 39,
-    "Uetikon am See": 159,
-    "Seuzach": 227,
-    "Uitikon": 248,
-    "Affoltern am Albis": 2,
-    "Geroldswil": 244,
-    "Niederglatt": 89,
-    "Thalwil": 141,
-    "Rorbas": 68,
-    "Pfungen": 224,
-    "Weiningen (ZH)": 251,
-    "Bubikon": 112,
-    "Neftenbach": 223,
-    "Mettmenstetten": 9,
-    "Otelfingen": 94,
-    "Flurlingen": 29,
-    "Stadel": 100,
-    "Grüningen": 116,
-    "Henggart": 31,
-    "Dachsen": 25,
-    "Bonstetten": 3,
-    "Bachenbülach": 51,
-    "Horgen": 295
-}
+# Median-PS zum Auffüllen, falls notwendig
+# Hier setzen wir als Default das Median-PS aus Trainingsdaten; 
+# Du kannst hier auch einen festen Wert angeben
+med_ps = np.median([  # Beispiel: ersetze durch echten Median
+    # Du kannst das eigentlich in deinem Notebook ausrechnen und hier fest eintragen
+    300,  # Platzhalter
+])
 
-# Define the core prediction function
-def predict_apartment(rooms, area, town):
-    bfs_number = locations[town]
-    df = df_bfs_data[df_bfs_data['bfs_number']==bfs_number]
+# --- 2. Vorhersage-Funktion ---
+def predict_price(model_main: str, kilometer: float, ps: float, year: int):
+    # 2.1 Basis-Input-Vector erstellen
+    x = dict.fromkeys(features, 0.0)
+    x['Kilometer']    = float(kilometer)
+    x['PS']           = float(ps)
+    x['month']        = 1         # Standard-Januar; nur für Alter nötig
+    x['year']         = int(year)
+    
+    # Alter berechnen
+    today = pd.Timestamp('2025-05-24')
+    dt    = pd.Timestamp(year=year, month=1, day=1)
+    age_days  = (today - dt).days
+    x['age_days']  = float(age_days)
+    x['age_years'] = float(age_days) / 365.0
+    
+    # Getriebe: per Default Automatik (gear_Schaltgetriebe = 0)
+    # Wenn du willst, kannst du hier noch ein Dropdown für Getriebe hinzufügen
+    
+    # 2.2 Modell-Dummy setzen
+    key = f"Model_group_{model_main}"
+    if key in x:
+        x[key] = 1.0
+    else:
+        x['Model_group_Other'] = 1.0
     
-    if len(df) != 1: # if there are more than two records with the same bfs_number reutrn -1
-        return -1
+    # 2.3 DataFrame bauen
+    df_input = pd.DataFrame([x], columns=features)
     
-    input = np.array([rooms, area, df['pop'].iloc[0], df['pop_dens'].iloc[0], df['frg_pct'].iloc[0], df['emp'].iloc[0], df['tax_income'].iloc[0]])
-    input = input.reshape(1, 7)
-    prediction = model.predict(input)
-    return np.round(prediction[0][0], 0)
+    # 2.4 Vorhersage
+    pred = model.predict(df_input)[0]
+    return round(float(pred), 2)
 
-# Create the Gradio interface
+# --- 3. Gradio-Interface ---
 iface = gr.Interface(
-    fn=predict_apartment,
-    inputs=["number", "number", gr.Dropdown(choices=locations.keys(), label="Town", type="value")],
-    outputs=gr.Number()
+    fn=predict_price,
+    inputs=[
+        gr.Dropdown(
+            choices=sorted(model_dummies),
+            label="BMW Modell-Kürzel",
+            value=model_dummies[0]
+        ),
+        gr.Number(label="Kilometer", value=50000),
+        gr.Number(label="PS", value=med_ps),
+        gr.Number(label="Baujahr", value=2020, precision=0)
+    ],
+    outputs=gr.Number(label="Geschätzter Preis (CHF)"),
+    title="BMW Price Predictor",
+    description=(
+        "Wähle das BMW-Kürzel (z.B. M3, X5, 120i), gib Kilometer, PS und Baujahr ein – "
+        "und erhalte eine geschätzte Preisprognose in CHF."
+    ),
+    examples=[
+        ["M3", 20000, 450, 2021],
+        ["X5", 50000, 300, 2019],
+        ["M4", 10000, 480, 2023],
+    ]
 )
 
-iface.launch()
+if __name__ == "__main__":
+    iface.launch()