Update app.py

app.py

@@ -16,6 +16,8 @@ from sklearn.linear_model import LinearRegression
 from sklearn.metrics import log_loss
 from sklearn.preprocessing import StandardScaler
 
+!pip install beautifulsoup4
+!pip install requests_html
 import requests
 from bs4 import BeautifulSoup as bs
 from requests_html import AsyncHTMLSession
@@ -32,6 +34,7 @@ from typing import Generator, Tuple
 import numpy as np
 import pandas as pd
 
+
 def date_range(
     start: date, stop: date, step: timedelta = timedelta(1)
 ) -> Generator[date, None, None]:
@@ -199,26 +202,20 @@ model = linear_regression.fit(X,y)
 
 d_today = datetime.date.today()
 d_tom = datetime.date.today() + datetime.timedelta(days = 1)
-
-# 予測日前日の魚データを取得
 d_y = datetime.date.today() + datetime.timedelta(days = -1)
+
+# 動作確認
 if __name__ == "__main__":
     start_date = d_y
     end_date = d_today
     df_aji_pre = get_fish_price_data(start_date=start_date, end_date=end_date)
     df_aji_pre['date'] = df_aji_pre['date'].astype(int)
 
-# if __name__ == "__main__":
-#     start_date = d_today
-#     end_date = d_tom
-#     df_aji_pre = get_fish_price_data(start_date=start_date, end_date=end_date)
-#     df_aji_pre['date'] = df_aji_pre['date'].astype(int)
-
 url23 = 'https://www.football-lab.jp/ka-f/match/'
 dfs23 = pd.read_html(url23)
 
 #シーズン毎に分類
-res23 = pd.DataFrame([['S2023']]*len(dfs23[0])).join(dfs23) #lsuffix='0'
+res23 = pd.DataFrame([['S2023']]*len(dfs23[0])).join(dfs23, lsuffix='0')
 
 df = res23
 
@@ -243,61 +240,34 @@ df["date_before"] = df["date_before"]
 df = df[['audience', 'date_ymd', 'date_before']] 
 df['last_audience'] = df['audience'].shift(1)
 
-# df_pre = pd.merge(df, df_aji_pre, left_on='date_before', right_on='date', how='left')
-
-# df_pre = df_pre.drop(['date_before', 'date_ymd'], axis=1)
-# df_pre["audience"] = df_pre["audience"].str.replace(",", "").astype(int)
-# df_pre["last_audience"] = df_pre["last_audience"].str.replace(",", "").astype(int)
-
-# start_date = int(start_date)
-# df_pre = df.query('date <= start_date')
-
-
 df_pre = df.tail(1).reset_index()
 df_pre = df_pre.drop('index', axis=1)
 df_aji_ft_pre = pd.concat([df_pre, df_aji_pre], axis=1)
-df_aji_ft_pre = df_aji_ft_pre[['audience', 'date', 'low_price', 'center_price', 'high_price', 'quantity']]
-df_aji_ft_pre = df_aji_ft_pre.rename(columns={'audience': 'last_audience', 0: 'year', '開催日': 'date', '観客数': 'audience'})
+df_aji_ft_pre = df_aji_ft_pre[['date_ymd', 'audience', 'low_price', 'center_price', 'high_price', 'quantity']]
+df_aji_ft_pre = df_aji_ft_pre.rename(columns={'audience': 'last_audience', 0: 'year', '開催日': 'date_ymd', '観客数': 'audience'})
+df_aji_ft_pre ['last_audience'] = df_aji_ft_pre ['last_audience'].astype(int)
+
+pred = linear_regression.predict(df_aji_ft_pre)
+df_aji_ft_pre['audience_pred'] = pred
+df_aji_ft_pre['date_ymd'] = df_aji_ft_pre['date_ymd'].astype(int)
 
 def outbreak(date):
-  if date:  
-
-    # if __name__ == "__main__":
-    #   import datetime
-    #   d_today = datetime.date.today()
-    #   d_tom = datetime.date.today() + datetime.timedelta(days = 1)
-    #   start_date = d_today
-    #   end_date = d_tom
-    #   df_aji_pre = get_fish_price_data(start_date=start_date, end_date=end_date)
-    #   # df_aji_pre.to_csv("fish_price_pre.csv", index=False)
-    
-    df_pre = df.tail(1).reset_index()
-    df_pre = df_pre.drop('index', axis=1)
-    df_aji_ft_pre = pd.concat([df_pre, df_aji_pre], axis=1)
-    df_aji_ft_pre = df_aji_ft_pre[['audience', 'date', 'low_price', 'center_price', 'high_price', 'quantity']]
-    df_aji_ft_pre = df_aji_ft_pre.rename(columns={'audience': 'last_audience', 0: 'year', '開催日': 'date', '観客数': 'audience'})
-
-    X = df_train.drop('audience', axis=1)
-    y = df_train['audience']
-    
-    pred = linear_regression.predict(df_aji_ft_pre)
-    df_aji_ft_pre['audience_pred'] = pred
-    df_aji_ft_pre['date'] = df_aji_ft_pre['date'].astype(int)
+  if date:    
 
     fig = plt.figure()
-    plt.plot(df_train['date'], df_train['audience'], label='original')
-    plt.plot(df_aji_ft_pre['date'], df_aji_ft_pre['audience_pred'], '*', label='predict')
+    plt.plot(df_train['date_ymd'], df_train['audience'], label='original')
+    plt.plot(df_aji_ft_pre['date_ymd'], df_aji_ft_pre['audience_pred'], '*', label='predict')
     plt.title("prediction of audince")
     plt.ylabel("audience")
-    plt.xlabel("date")
+    plt.xlabel("Days")
     plt.legend()
     return fig
 
 with gr.Blocks() as demo:
     gr.Markdown(
                             """
-                            # 川崎フロンターレの観客動員数予測
-                             等々力陸上競技場で行われる川崎フロンターレの直近の試合の観客数を「あじ」の価格と漁獲高を使用し予測する。
+                            # 川崎フロンターレの観客動員数の予測
+                             川崎フロンターレの等々力陸上競技場での試合の観客数を「あじ」の価格をもとに予測する。
                             ## 使用データ
                              * 東京卸売市場日報
                              * Football Lab 
@@ -305,15 +275,11 @@ with gr.Blocks() as demo:
                             観客動員数は雨天か否かで左右されると考えられる。そこで雨天の可能性をあじの価格を利用し表した。
                             一般的に雨天の場合、低気圧の影響で海面が上昇し漁に出ることが難しくなる。
                             そのため漁獲量が減少し、あじの価格が上昇すると考えられる。
-                            ## 特徴量
-                            予測日前日のあじの高値、予測日前日のあじの中値、予測日前日のあじの安値、予測日前日のあじの卸売数量、等々力競技場で行われた前回の試合の観客動員数
-                            ##注意点
-                            予測日前日の東京卸売市場のデータがない場合はErrorとなります。
                              """
                         )
     with gr.Row():
       with gr.Column():
-        date_input = gr.Checkbox(label='予測したい気持ちがありますか？ある場合はチェックしてから、下のpredictボタンを押してください')
+        date_input = gr.Checkbox(label='please input date')
         prediction_btn = gr.Button(value="predict")
       with gr.Column():
         prediction = gr.Plot(label = "時系列プロット")