app.py

# 由 Copilot 生成
# 591租屋分析器 - 簡化版本（避免套件依賴問題）

import gradio as gr
import pandas as pd
import numpy as np
from datetime import datetime
import json

def generate_rental_data(sample_size):
    """生成高雄市鼓山區租屋模擬資料"""
    np.random.seed(42)
    
    # 鼓山區常見地址
    addresses = [
        '高雄市鼓山區美術館路', '高雄市鼓山區博愛路', '高雄市鼓山區明誠路',
        '高雄市鼓山區文信路', '高雄市鼓山區裕誠路', '高雄市鼓山區華榮路',
        '高雄市鼓山區龍德路', '高雄市鼓山區鼓山路', '高雄市鼓山區九如路',
        '高雄市鼓山區綠川街', '高雄市鼓山區美術東路', '高雄市鼓山區青海路'
    ]
    
    # 房屋特色關鍵字
    features = [
        '近捷運', '電梯大樓', '採光佳', '通風良好', '停車位', '管理完善',
        '生活機能佳', '近美術館', '學區', '安靜社區', '新裝潢', '家具家電'
    ]
    
    data = []
    for i in range(int(sample_size)):
        # 基本資料
        area = np.random.normal(32, 6)  # 平均32坪，標準差6
        area = max(25, min(45, area))  # 限制在25-45坪之間
        
        # 租金計算（基於坪數和隨機因子）
        base_price = area * np.random.normal(800, 100)  # 每坪約800元
        location_factor = np.random.uniform(0.8, 1.3)   # 地段因子
        price = int(base_price * location_factor)
        price = max(18000, min(45000, price))  # 限制在合理範圍
        
        # 選擇地址和特色
        address = np.random.choice(addresses) + f"{i+1}號"
        selected_features = np.random.choice(features, 
                                           size=np.random.randint(2, 5), 
                                           replace=False)
        
        data.append({
            'title': f'鼓山區2房電梯大樓-{i+1}',
            'price': price,
            'area': round(area, 1),
            'price_per_ping': round(price / area, 0),
            'address': address,
            'features': ', '.join(selected_features),
            'type': '整層住家',
            'layout': '2房1廳1衛',
            'building_type': '電梯大樓'
        })
    
    return pd.DataFrame(data)

def analyze_rental_data(sample_size, analysis_type):
    """執行租屋資料分析"""
    try:
        # 生成資料
        df = generate_rental_data(sample_size)
        
        if df.empty:
            return "❌ 無法生成資料", None, None, pd.DataFrame()
        
        # 基本統計
        stats = {
            'total_count': len(df),
            'avg_price': df['price'].mean(),
            'median_price': df['price'].median(),
            'std_price': df['price'].std(),
            'min_price': df['price'].min(),
            'max_price': df['price'].max(),
            'avg_area': df['area'].mean(),
            'avg_price_per_ping': df['price_per_ping'].mean()
        }
        
        # 生成分析報告
        report = f"""
# 🏠 高雄市鼓山區租屋市場分析報告

**分析時間**: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}  
**資料來源**: 591租屋網模擬資料  
**分析條件**: 2房整層電梯大樓

## 📊 市場概況

### 基本統計
- **總物件數**: {stats['total_count']} 筆
- **平均租金**: NT$ {stats['avg_price']:,.0f} 元/月
- **租金中位數**: NT$ {stats['median_price']:,.0f} 元/月
- **租金標準差**: NT$ {stats['std_price']:,.0f} 元
- **租金區間**: NT$ {stats['min_price']:,.0f} ~ {stats['max_price']:,.0f} 元

### 坪數分析
- **平均坪數**: {stats['avg_area']:.1f} 坪
- **平均每坪租金**: NT$ {stats['avg_price_per_ping']:,.0f} 元/坪

### 市場洞察
"""

        # 根據分析類型添加額外洞察
        if stats['avg_price'] > stats['median_price']:
            report += "- 租金分布偏右，存在高價物件拉高平均值\n"
        
        if stats['avg_price_per_ping'] > 900:
            report += "- 每坪租金偏高，顯示該區域生活機能佳\n"
        elif stats['avg_price_per_ping'] < 700:
            report += "- 每坪租金相對親民，適合小資族群\n"
            
        report += f"\n**由 GitHub Copilot 生成** ✨"
        
        # 生成統計表格
        price_stats, price_dist = create_price_distribution_chart(df, analysis_type)
        area_stats, price_per_ping_stats = create_area_analysis_chart(df, analysis_type)
        
        # 準備資料表格
        display_df = df[['title', 'price', 'area', 'price_per_ping', 'address', 'features']].copy()
        display_df.columns = ['物件名稱', '租金(元)', '坪數', '每坪租金', '地址', '特色']
        
        return report, price_stats, area_stats, price_dist, price_per_ping_stats, display_df
        
    except Exception as e:
        error_msg = f"❌ 分析過程發生錯誤: {str(e)}\n\n請稍後再試或聯繫技術支援。"
        empty_df = pd.DataFrame()
        return error_msg, empty_df, empty_df, empty_df, empty_df, empty_df

def create_price_distribution_chart(df, analysis_type):
    """創建租金分布統計表格"""
    # 創建租金分布統計
    price_stats = {
        '統計項目': ['最低租金', '最高租金', '平均租金', '中位數租金', '標準差'],
        '數值 (元)': [
            f"{df['price'].min():,}",
            f"{df['price'].max():,}", 
            f"{df['price'].mean():.0f}",
            f"{df['price'].median():.0f}",
            f"{df['price'].std():.0f}"
        ]
    }
    
    # 租金區間分布
    df_temp = df.copy()
    df_temp['price_range'] = pd.cut(df_temp['price'], 
                              bins=[0, 20000, 25000, 30000, 35000, float('inf')],
                              labels=['<2萬', '2-2.5萬', '2.5-3萬', '3-3.5萬', '>3.5萬'])
    
    range_counts = df_temp['price_range'].value_counts().sort_index()
    
    distribution_data = {
        '租金區間': range_counts.index.tolist(),
        '物件數量': range_counts.values.tolist(),
        '占比 (%)': [f"{(count/len(df)*100):.1f}%" for count in range_counts.values]
    }
    
    return pd.DataFrame(price_stats), pd.DataFrame(distribution_data)

def create_area_analysis_chart(df, analysis_type):
    """創建坪數分析統計表格"""
    # 坪數統計
    area_stats = {
        '統計項目': ['最小坪數', '最大坪數', '平均坪數', '中位數坪數'],
        '數值 (坪)': [
            f"{df['area'].min():.1f}",
            f"{df['area'].max():.1f}",
            f"{df['area'].mean():.1f}", 
            f"{df['area'].median():.1f}"
        ]
    }
    
    # 每坪租金統計
    price_per_ping_stats = {
        '統計項目': ['最低每坪租金', '最高每坪租金', '平均每坪租金', '中位數每坪租金'],
        '數值 (元/坪)': [
            f"{df['price_per_ping'].min():.0f}",
            f"{df['price_per_ping'].max():.0f}",
            f"{df['price_per_ping'].mean():.0f}",
            f"{df['price_per_ping'].median():.0f}"
        ]
    }
    
    return pd.DataFrame(area_stats), pd.DataFrame(price_per_ping_stats)

# 創建 Gradio 介面
with gr.Blocks(title="🏠 591租屋分析器", theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🏠 591租屋分析器 - 高雄市鼓山區
    
    專門分析高雄市鼓山區2房整層電梯大樓租屋市場，提供詳細的統計分析和視覺化圖表。
    
    **目標條件**：高雄市鼓山區 | 2房 | 整層住家 | 電梯大樓
    """)
    
    with gr.Row():
        with gr.Column(scale=1):
            sample_size = gr.Slider(
                minimum=20, maximum=200, value=80, step=10,
                label="📊 分析樣本數",
                info="選擇要生成的租屋物件數量"
            )
            
            analysis_type = gr.Radio(
                choices=["基本分析", "進階分析", "詳細分析"],
                value="基本分析",
                label="🔍 分析類型",
                info="選擇分析的詳細程度"
            )
            
            analyze_btn = gr.Button("🚀 開始分析", variant="primary", size="lg")
    
    with gr.Column(scale=2):
        with gr.Tab("📋 分析報告"):
            report_output = gr.Markdown(label="分析報告")
        
        with gr.Tab("📊 統計分析"):
            with gr.Row():
                with gr.Column():
                    price_stats_output = gr.Dataframe(label="租金統計")
                    price_dist_output = gr.Dataframe(label="租金區間分布")
                with gr.Column():
                    area_stats_output = gr.Dataframe(label="坪數統計")
                    price_per_ping_output = gr.Dataframe(label="每坪租金統計")
        
        with gr.Tab("📁 詳細資料"):
            data_output = gr.Dataframe(
                label="租屋物件詳細資料",
                interactive=True,
                wrap=True
            )
    
    # 設定按鈕事件
    analyze_btn.click(
        fn=analyze_rental_data,
        inputs=[sample_size, analysis_type],
        outputs=[report_output, price_stats_output, area_stats_output, 
                price_dist_output, price_per_ping_output, data_output]
    )
    
    gr.Markdown("""
    ---
    **📍 分析範圍**: 高雄市鼓山區 (美術館、愛河、駁二藝術特區周邊)  
    **🏠 物件類型**: 2房1廳1衛、整層住家、電梯大樓  
    **📊 資料說明**: 使用模擬資料展示分析功能，實際部署可串接真實API  
    
    *由 GitHub Copilot 生成* ✨
    """)

if __name__ == "__main__":
    demo.launch()