app.py

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

# Carica il modello
model = joblib.load('house_price_model.joblib')

# Carica i nomi delle feature
with open('feature_names.txt', 'r') as f:
    feature_names = [line.strip() for line in f.readlines()]

def predict_prices(csv_file):
    # Leggi il file CSV
    df = pd.read_csv(csv_file.name)
    
    # Verifica che il file contenga le colonne necessarie
    missing_cols = [col for col in feature_names if col not in df.columns]
    if missing_cols:
        return f"Errore: Il file CSV manca delle seguenti colonne: {', '.join(missing_cols)}"
    
    # Seleziona solo le colonne necessarie nell'ordine corretto
    input_data = df[feature_names]
    
    # Fai la previsione
    predictions = model.predict(input_data)
    
    # Aggiungi le previsioni al DataFrame originale
    df['predicted_price'] = predictions
    
    # Salva il risultato in un nuovo file CSV
    result_path = "predictions_result.csv"
    df.to_csv(result_path, index=False)
    
    return result_path

# Crea l'interfaccia Gradio
iface = gr.Interface(
    fn=predict_prices,
    inputs=gr.File(label="Carica un file CSV con le caratteristiche delle case"),
    outputs=gr.File(label="Scarica i risultati"),
    title="Previsione Prezzi Case",
    description=f"Carica un file CSV contenente le seguenti colonne: {', '.join(feature_names)}. "
                "Il modello prevederà il prezzo per ogni casa e restituirà un nuovo file CSV con i risultati."
)

# Avvia l'app
iface.launch()