del old app

app.py

@@ -1,201 +0,0 @@
-#          imports
-# ====================================
-
-import numpy as np
-import pandas as pd
-import streamlit as st
-import streamlit.components.v1 as components
-import plotly.express as px
-
-
-components.html(
-    """
-        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=Анализ+банкротства+компании" alt="Typing SVG" /></a>
-        <a href="https://git.io/typing-svg"><img src="https://readme-typing-svg.herokuapp.com?font=Fira+Code&pause=1000&width=435&lines=методами+искуственного+интеллекта" alt="Typing SVG" /></a>
-    """
-)
-
-st.markdown("<h1 style='text-align: center;'>Применение методов машинного обучения в анализе банкротства</h1>", unsafe_allow_html=True)
-
-with open("./img.png", "rb") as f:
-    st.image(f.read(), use_column_width=True)
-
-st.write(
-    """
-        # Краткое описание задачи
-        Эффективное и заблаговременное прогнозирование банкротства компаний имеет важно значение для всех участников рынка. По мере развития информационного общества традиционные методы выявления банкротства становятся менее эффективными и более трудозатратными. Поэтому сочетание традиционных методов с современными моделями искусственного интеллекта может быть эффективно применено в современных экономических условиях.
-
-       Основная цель работы - оценить риск банкротства с помощью нескольких алгоритмов машинного обучения, сравнить результаты их работы, определить наилучшую модель и соответствующий набор признаков для прогнозирования банкротства компаний.
-    """
-)
-
-st.write("""# Этапы разработки""")
-
-#image = Image.open("./stages.jpg")
-#st.image(image, output_format="auto", use_column_width="auto")
-
-with open("./stages.png", "rb") as f:
-    st.image(f.read(), use_column_width=True)
-
-
-with st.expander("Описание пайплайна работы", expanded=True):
-
-    st.write(
-            """
-                ### Этапы разработки
-<b><i>1. Поиск и сбор данных:</b></i>
-Был использован датасет из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи. (<a href="https://www.kaggle.com/datasets/fedesoriano/company-bankruptcy-prediction">Ссылка на данные</a>)
-
-<b><i>2. Обработка (препроцессинг):</b></i>
-Удаление ненужных колонок, one hot encoding категориальных переменных, заполнение пропущенных значений. С использованием библиотек pandas, numpy, seaborn.
-
-<b><i>3. Анализ статистических показателей и визуализация:</b></i>
-Инструменты для этого - с использованием библиотек pandas, seaborn.
-
-<b><i>4. Выбор моделей, обучение и валидация модели с ними (без фичей):</b></i>
-С использованием библиотек scikit-learn, pandas, seaborn.
-
-<b><i>5. Выбор моделей, обучение и валидация модели с ними (с фичами):</b></i>
-С использованием библиотек scikit-learn, pandas, seaborn.
-<
-b><i>6. Сравнение результатов:</b></i>
-Анализ и графическое представление работы алгоритмов. При некорректной работе или плохим результатом проводится п. 4 и п. 5.
-
-<b><i>7. Оформление микросервиса Streamlit:</b></i>
-С использованием библиотеки streamlit.
-            """,
-            unsafe_allow_html=True
-        )
-
-with st.expander("Описание пайплайна работы", expanded=True):
-
-    st.write(
-            """
-               ### Информация о применении методов машинного обучения для бизнес-задач:
-Прогнозирование финансовой  неустойчивости – важный  компон��нт управления  компанией.  Из-за банкротства акционеры теряют доходы, бизнес, нарушаются цепочки поставок, фискальные органы лишаются налоговых поступлений, госорганы фиксируют снижение экономического роста и повышение социальной напряженности, а работники вынуждены искать новую работу. Поэтому получение ясной картины  финансового  и имущественного  состояния компаний уже  много  лет  является  целью специалистов самых разных областей знаний.
-Компании активно внедряют современные технологии в основную деятельность, автоматизируя большое  количество  бизнес-процессов.  Это  позволяет  выстраивать,  например, электронную экспертизу,  c  помощью  которой  возможно  оперативно  объединять  множество  экспертов  из  разных предметных  областей  для  полного  охвата  рассматриваемой  проблемы  и  принятия  коллективного решения. Электронная экспертиза также подразумевает взаимодействие людей с интеллектуальными системами,  которые  способны  строить  анализ  и  прогнозы  на  основе  более  широкого  пространства переменных. Так, в частности, методы машинного обучения применяются уже в значительном количестве бизнес-задач, в том числе для интеллектуальной аналитики больших данных, которые компания аккумулирует для построения моделей прогнозирования.
-Однако  риски  банкротства  могут  также  возникнуть  из-за некорректного  стратегического  менеджмента.  Такой  менеджмент  подразумевает  разработку долгосрочных  целей  и  действий,  которые  позволят  достичь  более  высоких  результатов  в  будущем, например, стать лидирующей компанией в своей отрасли. Разрабатываемые при этом стратегии обычно носят амбициозный характер, поэтому цели компании в таком случае не направлены на пролонгацию сложившейся  динамики.  Правильный  анализ  стратегической  ситуации  также  важен  для прогнозирования банкротства. Существует множество методов для ее оценки, в том числе и на основе анализа больших данных.<a href="http://infosoc.iis.ru/article/view/509"> Источник<a>
-            """,
-            unsafe_allow_html=True
-        )
-
-#             INFO
-# =====================================
-
-st.write(
-    """
-        # 1. Информация о датасете
-<b><i>Похожие наборы данных:</i></b>
- - <a href="https://www.kaggle.com/datasets/fedesoriano/the-boston-houseprice-data">The Boston House-Price Data</a>
- - <a href="https://www.kaggle.com/datasets/fedesoriano/gender-pay-gap-dataset">Gender Pay Gap Dataset</a>
- - <a href="https://www.kaggle.com/datasets/fedesoriano/california-housing-prices-data-extra-features">Spanish Wine Quality Dataset</a>
-
-<b><i>Про сами данные:</i></b>
-Данные были получены из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи.
-
-<i>P.S. Обновлены имена столбцов и описание, чтобы упростить понимание данных (Y = выходной объект, X = входной объект).</i>
-    """,
-        unsafe_allow_html=True
-)
-
-st.write(
-    """
-<b><i>Источник:</i></b>
-Deron Liang and Chih-Fong Tsai, deronliang '@' gmail.com; cftsai '@' mgt.ncu.edu.tw, National Central University, Taiwan.
-<a href="https://archive.ics.uci.edu/ml/datasets/Taiwanese+Bankruptcy+Prediction">The data was obtained from UCI Machine Learning Repository.</a>
-
-<b><i>Статья:</i></b>
-<a href="https://www.sciencedirect.com/science/article/abs/pii/S0377221716000412">Тык</a>
-    """,
-        unsafe_allow_html=True
-)
-
-data = pd.read_csv("./dataset.csv", sep=",")
-
-st.write(""" ### Таблица с данными: """, data)
-
-st.write(
-    """
-        # 2. Обработка (препроцессинг)
-    """
-)
-
-#       PREPROCESS
-# ==================================
-
-st.write(""" ### Статистика:""")
-st.code(
-    """
-        data.describe()
-    """
-)
-st.text(data.describe())
-st.code(
-    """
-        data.shape
-    """
-)
-st.write(""" #### Shape данных (номер строк и столбцов):""")
-st.text(data.shape)
-
-#st.table(data) - лучше не запускать :)
-
-data.columns = [i.title().strip() for i in list(data.columns)]
-row = data.shape[0]
-col = data.shape[1]
-
-null_values = data.isnull().sum().sort_values(ascending=False).head()
-st.code(
-    """
-        null_values = data.isnull().sum().sort_values(ascending=False).head()
-    """
-)
-st.write(null_values)
-
-st.code(
-    """
-        data.info()
-    """
-)
-st.text(data.info)
-st.write("""Поскольку пропущенных значений нет, мы можем перейти к анализу данных.""")
-
-#          VISUALIZATIONS
-# ==================================
-
-# values = st.sidebar.slider("Target", int(data["Bankrupt?"]))
-st.write("""Тут должен быть график """)
-
-with open("./plot_1.png", "rb") as f:
-    st.image(f.read(), use_column_width=True)
-
-st.code(
-    """
-        values = [0,1]
-        values = list(data[""].count())
-        f = px.histogram(values, x="Bankrupt?", nbins=15, title="Price distribution")
-        f.update_xaxes(title="Price")
-        f.update_yaxes(title="No. of listings")
-        st.plotly_chart(f)
-    """
-)
-
-st.write(
-    """
-Записи кажутся сильно несбалансированными. Таким образом, необходимо рассмотреть возможность балансировки набора данных с помощью методов повышения или понижения дискретизации.
-    """
-)
-st.write(
-    """
-        С помощью data.info() мы заметили, что у нас есть большинство данных «float64». Категориальные данные различаются как двоичные 1 и 0, поэтому сохраняются как «int64». Мы разделяем числовые и категориальные данные для анализа нашего набора данных.
-    """
-)
-st.code(
-    """
-        numeric_features = data.dtypes[data.dtypes != 'int64'].index
-        categorical_features = data.dtypes[data.dtypes == 'int64'].index
-
-        data[categorical_features].columns.tolist()
-    """,
-    language="python"
-)