salary.py

ML/salary.py

@@ -0,0 +1,48 @@
+import pandas as pd
+import streamlit as st
+from sklearn.preprocessing import LabelEncoder
+from sklearn.ensemble import RandomForestRegressor
+
+# Leer los datos y seleccionar las columnas necesarias
+df = pd.read_csv('./ds_salaries.csv')
+df = df[['company_location', 'salary_in_usd']]
+
+# Codificar las ubicaciones de las empresas
+le = LabelEncoder()
+df['company_location'] = le.fit_transform(df['company_location'])
+
+# Separar los datos de entrada y salida
+X = df.iloc[:, :-1].values
+y = df.iloc[:, -1].values
+
+# Entrenar el modelo
+model = RandomForestRegressor(n_estimators=100, random_state=42)
+model.fit(X, y)
+
+# Obtener las ubicaciones de las empresas y sus salarios predichos
+locations = df['company_location'].unique()
+predicted_salaries = model.predict(locations.reshape(-1, 1))
+results_df = pd.DataFrame({'company_location': locations, 'predicted_salary': predicted_salaries})
+
+# Decodificar las ubicaciones de las empresas
+decoded_locations = le.inverse_transform(locations)
+results_df['company_location'] = decoded_locations
+
+# Ordenar los resultados por salario predicho
+results_df = results_df.sort_values('predicted_salary', ascending=False).reset_index(drop=True)
+
+# Mostrar el título y el top 5 de países mejor pagados
+st.title('Top 5 de países mejor pagados')
+for i in range(5):
+    location = results_df.loc[i, 'company_location']
+    salary = results_df.loc[i, 'predicted_salary']
+    st.markdown(f'### **{location}**: ${salary:,.2f}', unsafe_allow_html=True)
+
+# Mostrar el menú desplegable para seleccionar un país
+st.markdown('---')
+st.title('Seleccionar un país')
+selected_location = st.selectbox('Ubicación de la empresa', decoded_locations)
+
+# Mostrar el salario predicho para el país seleccionado
+predicted_salary = results_df.loc[results_df['company_location'] == selected_location, 'predicted_salary'].iloc[0]
+st.markdown(f'### **{selected_location}**: ${predicted_salary:,.2f}', unsafe_allow_html=True)