Upload 3 files

app.py

@@ -0,0 +1,126 @@
+import gradio as gr
+from sklearn.ensemble import RandomForestRegressor
+import numpy as np
+import pandas as pd
+import pickle
+from geopy.geocoders import Nominatim
+from geopy.exc import GeocoderTimedOut
+from math import radians, cos, sin, asin, sqrt
+
+# Lade das Modell
+# TODO change the file to your own model.
+model_filename = "final_apartment_model.pkl"
+
+random_forest_model = RandomForestRegressor()
+with open(model_filename, 'rb') as f:
+    random_forest_model = pickle.load(f)
+
+# Funktion zur Berechnung der Entfernung zwischen zwei Koordinatenpunkten
+def haversine(lon1, lat1, lon2, lat2):
+    """
+    Berechnet die Entfernung in Kilometern zwischen zwei Punkten 
+    auf der Erde (anhand von Längen-/Breitengraden)
+    """
+    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
+    dlon = lon2 - lon1 
+    dlat = lat2 - lat1 
+    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
+    c = 2 * asin(sqrt(a)) 
+    return 6371 * c
+
+transport_hubs = [
+    ["Zürich HB", 47.3778, 8.5403],
+    ["Zürich Stadelhofen", 47.3665, 8.5486],
+    ["Zürich Oerlikon", 47.4111, 8.5438],
+    ["Zürich Altstetten", 47.3911, 8.4889],
+    ["Winterthur", 47.4996, 8.7241],
+    ["Uster", 47.3474, 8.7201],
+    ["Wetzikon", 47.3281, 8.7974],
+    ["Dübendorf", 47.3973, 8.6186],
+    ["Dietikon", 47.4051, 8.4012],
+    ["Thalwil", 47.2916, 8.5641]
+]
+
+def get_coordinates(address):
+    """Holt die Koordinaten für eine gegebene Adresse"""
+    try:
+        geolocator = Nominatim(user_agent="my_apartment_predictor")
+        if 'zürich' not in address.lower() and 'switzerland' not in address.lower():
+            address += ', Zürich, Switzerland'
+        location = geolocator.geocode(address)
+        if location:
+            return location.latitude, location.longitude, location.address
+        return None, None, None
+    except GeocoderTimedOut:
+        return None, None, None
+
+def get_nearest_transport_distance(lat, lon):
+    """Berechnet die Distanz zum nächsten Verkehrsknotenpunkt"""
+    distances = []
+    for hub in transport_hubs:
+        hub_name, hub_lat, hub_lon = hub
+        distance = haversine(lon, lat, hub_lon, hub_lat)
+        distances.append(distance)
+    return min(distances)
+
+    # Lade die BFS-Daten
+df_bfs_data = pd.read_csv('bfs_municipality_and_tax_data.csv')
+
+# Bereinige die tax_income Spalte von Tausendertrennzeichen und konvertiere zu float
+df_bfs_data['tax_income'] = df_bfs_data['tax_income'].str.replace("'", "").astype(float)
+
+# Berechne Durchschnittswerte für die Features
+mean_values = {
+    'pop': df_bfs_data['pop'].mean(),
+    'pop_dens': df_bfs_data['pop_dens'].mean(),
+    'frg_pct': df_bfs_data['frg_pct'].mean(),
+    'emp': df_bfs_data['emp'].mean(),
+    'tax_income': df_bfs_data['tax_income'].mean()
+}
+
+def predict_apartment_price(rooms, area, address):
+    """Vorhersage des Mietpreises basierend auf Zimmer, Fläche und Adresse"""
+    # Hole Koordinaten für die Adresse
+    lat, lon, full_address = get_coordinates(address)
+    if lat is None or lon is None:
+        return "Adresse konnte nicht gefunden werden. Bitte überprüfen Sie die Eingabe."
+    
+    # Berechne die Distanz zum nächsten Verkehrsknotenpunkt
+    distance_to_transport = get_nearest_transport_distance(lat, lon)
+    
+    # Erstelle DataFrame für die Vorhersage mit den vorberechneten Durchschnittswerten
+    prediction_data = pd.DataFrame({
+        'rooms': [rooms],
+        'area': [area],
+        'pop': [mean_values['pop']],
+        'pop_dens': [mean_values['pop_dens']],
+        'frg_pct': [mean_values['frg_pct']],
+        'emp': [mean_values['emp']],
+        'tax_income': [mean_values['tax_income']],
+        'distance_to_transport': [distance_to_transport]
+    })
+    
+    # Mache die Vorhersage
+    prediction = random_forest_model.predict(prediction_data)
+    predicted_price = np.round(prediction[0], 0)
+    
+    return f"Geschätzter Mietpreis für {full_address}: CHF {predicted_price:.0f}\nEntfernung zum nächsten Verkehrsknotenpunkt: {distance_to_transport:.1f} km"
+
+iface = gr.Interface(
+    fn=predict_apartment_price,
+    inputs=[
+        gr.Number(label="Anzahl Zimmer"),
+        gr.Number(label="Wohnfläche (m²)"),
+        gr.Textbox(label="Adresse (z.B. Bahnhofstrasse 1, Zürich)")
+    ],
+    outputs=gr.Textbox(label="Vorhersage"),
+    title="Mietpreis-Vorhersage",
+    description="Geben Sie die Details der Wohnung ein, um den geschätzten Mietpreis zu erhalten.",
+    examples=[
+        [4.5, 120, "Bahnhofstrasse 1, Zürich"],
+        [3.5, 80, "Universitätstrasse 84, Zürich"],
+        [2.5, 60, "Technikumstrasse 9, Winterthur"]
+    ]
+)
+
+iface.launch()

final_apartment_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:736e75e17260610c98730fd94baf62c1d94d2a26147a5f173106662f692e967f
+size 20191162

requirements.txt

@@ -0,0 +1,6 @@
+gradio
+pandas
+numpy
+scikit-learn
+matplotlib
+geopy