Create app.py

app.py

@@ -0,0 +1,80 @@
+import gradio as gr
+import pandas as pd
+import numpy as np
+import plotly.express as px
+from sklearn.cluster import KMeans, AgglomerativeClustering, SpectralClustering
+from sklearn.preprocessing import StandardScaler
+from sklearn.decomposition import PCA
+
+def perform_clustering(data_file, model_type, n_clusters):
+    # Lire les données
+    df = pd.read_csv(data_file.name)
+    
+    # Nettoyage supplémentaire au cas où (suppression des NaN)
+    df = df.dropna()
+    
+    # Standardisation des données
+    scaler = StandardScaler()
+    X_scaled = scaler.fit_transform(df)
+    
+    # Réduction de dimension pour visualisation (si plus de 2 features)
+    if X_scaled.shape[1] > 2:
+        pca = PCA(n_components=2)
+        X_vis = pca.fit_transform(X_scaled)
+    else:
+        X_vis = X_scaled
+    
+    # Application du clustering
+    if model_type == "KMeans":
+        model = KMeans(n_clusters=n_clusters, random_state=42)
+    elif model_type == "CAH":
+        model = AgglomerativeClustering(n_clusters=n_clusters)
+    elif model_type == "Spectral Clustering":
+        model = SpectralClustering(n_clusters=n_clusters, affinity='nearest_neighbors', random_state=42)
+    
+    clusters = model.fit_predict(X_scaled)
+    
+    # Création du dataframe de résultats
+    results_df = df.copy()
+    results_df['Cluster'] = clusters
+    
+    # Visualisation
+    if X_vis.shape[1] >= 2:
+        fig = px.scatter(
+            x=X_vis[:, 0], 
+            y=X_vis[:, 1], 
+            color=clusters,
+            title=f"Visualisation des clusters ({model_type}, k={n_clusters})",
+            labels={'x': 'Composante 1', 'y': 'Composante 2'},
+            color_continuous_scale=px.colors.qualitative.Plotly
+        )
+    else:
+        fig = px.scatter(
+            x=range(len(X_vis)), 
+            y=X_vis[:, 0], 
+            color=clusters,
+            title=f"Visualisation des clusters ({model_type}, k={n_clusters})",
+            labels={'x': 'Index', 'y': 'Valeur'},
+            color_continuous_scale=px.colors.qualitative.Plotly
+        )
+    
+    return fig, results_df
+
+# Interface Gradio
+iface = gr.Interface(
+    fn=perform_clustering,
+    inputs=[
+        gr.File(label="Uploader votre jeu de données (CSV)"),
+        gr.Dropdown(["KMeans", "CAH", "Spectral Clustering"], label="Modèle de clustering", value="KMeans"),
+        gr.Slider(2, 10, step=1, label="Nombre de clusters (k)", value=3)
+    ],
+    outputs=[
+        gr.Plot(label="Visualisation des clusters"),
+        gr.Dataframe(label="Données avec labels de cluster")
+    ],
+    title="Application de Clustering",
+    description="""Uploader un jeu de données nettoyé, choisissez un modèle de clustering 
+    et le nombre de clusters pour obtenir une visualisation et les résultats."""
+)
+
+iface.launch()