use_model.py

# -*- coding: utf-8 -*-
"""
استفاده از مدل ذخیره شده برای پیش‌بینی قیمت خودرو
Use Saved Model for Car Price Prediction
"""

import pickle
import pandas as pd
import numpy as np


def load_model(filepath="car_price_model.pkl"):
    """بارگذاری مدل ذخیره شده"""
    with open(filepath, "rb") as f:
        model_data = pickle.load(f)

    print("✅ مدل با موفقیت بارگذاری شد!")
    print(f"   نوع مدل: {model_data['model_type']}")
    print(f"   تعداد ویژگی‌ها: {len(model_data['feature_names'])}")

    return model_data["model"], model_data["feature_names"]


def predict_price(model, feature_names, feature_values):
    """
    پیش‌بینی قیمت خودرو

    Args:
        model: مدل بارگذاری شده
        feature_names: لیست نام ویژگی‌ها
        feature_values: دیکشنری مقادیر ویژگی‌ها

    Returns:
        قیمت پیش‌بینی شده
    """
    # ساخت DataFrame با مقادیر صفر برای همه ویژگی‌ها
    X = pd.DataFrame(columns=feature_names)
    X.loc[0] = 0

    # پر کردن مقادیر داده شده
    for key, value in feature_values.items():
        if key in feature_names:
            X.loc[0, key] = value
        else:
            print(f"⚠️ ویژگی '{key}' در مدل وجود ندارد")

    # پیش‌بینی
    predicted_price = model.predict(X)[0]

    return predicted_price


def predict_from_excel(model, feature_names, excel_path, output_path=None):
    """
    پیش‌بینی قیمت برای داده‌های جدید از فایل اکسل

    Args:
        model: مدل بارگذاری شده
        feature_names: لیست نام ویژگی‌ها
        excel_path: مسیر فایل اکسل ورودی
        output_path: مسیر فایل خروجی (اختیاری)

    Returns:
        DataFrame با قیمت‌های پیش‌بینی شده
    """
    # خواندن داده‌ها
    df = pd.read_excel(excel_path)
    print(f"📊 تعداد رکوردها: {len(df)}")

    # انتخاب ویژگی‌های موجود
    available_features = [col for col in feature_names if col in df.columns]
    missing_features = [col for col in feature_names if col not in df.columns]

    if missing_features:
        print(f"⚠️ ویژگی‌های موجود نیست: {len(missing_features)}")

    # آماده‌سازی داده‌ها
    X = df[available_features].copy() if available_features else pd.DataFrame()

    # اضافه کردن ویژگی‌های گمشده با مقدار صفر
    for feat in missing_features:
        X[feat] = 0

    # مرتب‌سازی ستون‌ها
    X = X[feature_names].fillna(0)

    # پیش‌بینی
    predictions = model.predict(X)
    df["قیمت_پیش‌بینی"] = predictions

    # ذخیره نتایج
    if output_path:
        df.to_excel(output_path, index=False)
        print(f"💾 نتایج در '{output_path}' ذخیره شد.")

    return df


def show_feature_names(feature_names):
    """نمایش لیست ویژگی‌های مدل"""
    print("\n📋 لیست ویژگی‌های مدل:")
    print("=" * 50)
    for i, name in enumerate(feature_names, 1):
        print(f"  {i:2d}. {name}")
    print("=" * 50)


def interactive_predict(model, feature_names):
    """پیش‌بینی تعاملی قیمت خودرو"""
    print("\n" + "=" * 60)
    print("🚗 پیش‌بینی تعاملی قیمت خودرو")
    print("=" * 60)
    print("برای هر ویژگی مقدار نرمال‌سازی شده (بین 0 تا 1) وارد کنید.")
    print("برای رد کردن، Enter بزنید (مقدار پیش‌فرض: 0)")
    print("-" * 60)

    feature_values = {}

    for name in feature_names:
        try:
            value = input(f"{name}: ").strip()
            if value:
                feature_values[name] = float(value)
            else:
                feature_values[name] = 0
        except ValueError:
            print("  ⚠️ مقدار نامعتبر، صفر در نظر گرفته شد")
            feature_values[name] = 0

    # پیش‌بینی
    predicted = predict_price(model, feature_names, feature_values)

    print("\n" + "=" * 60)
    print(f"💰 قیمت پیش‌بینی شده: {predicted:,.0f} تومان")
    print("=" * 60)

    return predicted


def main():
    """تابع اصلی"""
    print("=" * 60)
    print("🚗 سیستم پیش‌بینی قیمت خودرو")
    print("=" * 60)

    # بارگذاری مدل
    try:
        model, feature_names = load_model()
    except FileNotFoundError:
        print("❌ فایل مدل یافت نشد!")
        print("   ابتدا فایل car_price_prediction.py را اجرا کنید.")
        return

    print("\n📌 گزینه‌ها:")
    print("   1. نمایش لیست ویژگی‌ها")
    print("   2. پیش‌بینی تعاملی")
    print("   3. پیش‌بینی از فایل اکسل")
    print("   4. خروج")

    while True:
        choice = input("\n🔹 انتخاب شما (1-4): ").strip()

        if choice == "1":
            show_feature_names(feature_names)

        elif choice == "2":
            interactive_predict(model, feature_names)

        elif choice == "3":
            excel_path = input("   مسیر فایل اکسل: ").strip()
            output_path = input("   مسیر خروجی (Enter برای رد): ").strip()
            if not output_path:
                output_path = "predictions_output.xlsx"
            try:
                df = predict_from_excel(model, feature_names, excel_path, output_path)
                print("\n📊 نمونه نتایج:")
                print(df[["قیمت_پیش‌بینی"]].head(10))
            except Exception as e:
                print(f"❌ خطا: {e}")

        elif choice == "4":
            print("\n👋 خداحافظ!")
            break

        else:
            print("⚠️ گزینه نامعتبر")


if __name__ == "__main__":

    main()