Update app.py

app.py

@@ -1,6 +1,5 @@
 import streamlit as st
 import pandas as pd
-import numpy as np
 import joblib
 from sklearn.linear_model import LinearRegression
 from sklearn.ensemble import RandomForestRegressor
@@ -10,13 +9,13 @@ from catboost import CatBoostRegressor
 from sklearn.model_selection import train_test_split
 from sklearn.metrics import mean_absolute_error
 
-# عنوان برنامه
+# Title of the application
 st.title("اداره زراعت و کنترل محصول")
 
-# انتخاب مدل
+# Model selection
 model_choice = st.sidebar.selectbox("انتخاب مدل", ["Linear Regression", "Random Forest", "XGBoost", "LightGBM", "CatBoost"])
 
-# بارگذاری داده‌ها
+# Data upload
 uploaded_file = st.sidebar.file_uploader("بارگذاری فایل داده‌ها", type=["csv", "xlsx"])
 if uploaded_file is not None:
     if uploaded_file.name.endswith('.csv'):
@@ -27,7 +26,7 @@ if uploaded_file is not None:
     st.write("پیش‌نمایش داده‌ها:")
     st.dataframe(data.head())
 
-    # انتخاب ویژگی‌ها و برچسب
+    # Feature and label selection
     features = st.sidebar.multiselect("انتخاب ویژگی‌ها", data.columns)
     target = st.sidebar.selectbox("انتخاب برچسب", data.columns)
     
@@ -55,7 +54,7 @@ if uploaded_file is not None:
             
             st.write(f"خطای مدل: {error}")
             
-            # ذخیره مدل
+            # Save model
             joblib.dump(model, 'model.pkl')
             st.success("مدل با موفقیت آموزش دیده و ذخیره شد.")
         else:
@@ -63,7 +62,7 @@ if uploaded_file is not None:
 else:
     st.warning("لطفاً یک فایل داده بارگذاری کنید.")
 
-# پیش‌بینی با مدل ذخیره شده
+# Prediction with saved model
 st.header("پیش‌بینی بازده عملکرد")
 
 uploaded_model = st.file_uploader("بارگذاری مدل ذخیره شده", type=["pkl"])
@@ -84,6 +83,15 @@ if uploaded_model is not None:
         st.write("پیش‌بینی‌ها:")
         st.write(predictions)
 
-        download_link = st.download_button("دانلود پیش‌بینی‌ها", data=pd.DataFrame(predictions).to_csv(), file_name="predictions.csv", mime="text/csv")
+        # Generate a CSV for download
+        predictions_df = pd.DataFrame(predictions, columns=['Predictions'])
+        csv = predictions_df.to_csv(index=False).encode('utf-8')
+
+        st.download_button(
+            label="دانلود پیش‌بینی‌ها",
+            data=csv,
+            file_name='predictions.csv',
+            mime='text/csv',
+        )
 else:
     st.warning("لطفاً یک مدل ذخیره شده بارگذاری کنید.")