Update app.py

app.py

@@ -1,61 +1,27 @@
 import gradio as gr
 import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
 
-def detect_anomalies(series, window_size=7, threshold=2.5):
-    # Calculate the rolling mean and standard deviation using the specified window size
-    rolling_mean = series.rolling(window=window_size, center=True).mean()
-    rolling_std = series.rolling(window=window_size, center=True).std()
+# Função para detectar anomalias
+def detect_anomalies(file_path):
+    # Carregue o arquivo txt para um DataFrame
+    df = pd.read_csv(file_path, sep=",")
 
-    # Calculate the z-score for each data point
-    z_scores = np.abs((series - rolling_mean) / rolling_std)
+    # Calcule a diferença absoluta entre cada valor e o valor médio
+    df["delta"] = abs(df["value"] - df["value"].mean())
 
-    # Detect anomalies based on the threshold
-    anomalies = series[z_scores > threshold]
-    anomaly_indices = anomalies.index.tolist()
+    # Encontre os valores com a maior diferença absoluta
+    anomalies = df.loc[df["delta"] > df["delta"].quantile(0.95)]
 
-    return anomaly_indices
-
-def plot_anomalies(series, anomalies):
-    plt.figure(figsize=(12, 6))
-    plt.plot(series, label='Original Series')
-    plt.scatter(anomalies, series[anomalies], color='red', label='Anomalies')
-    plt.legend()
-    plt.title('Time Series with Anomalies')
-    plt.xlabel('Date')
-    plt.ylabel('Value')
-    plt.show()
-
-# Função para o Gradio
-def anomaly_detection_app(time_series_txt, window_size=7, threshold=2.5):
-    # Carregar a série temporal a partir do arquivo de texto
-    df = pd.read_csv(time_series_txt, header=None, names=["Date", "Value"])
-    df['Date'] = pd.to_datetime(df['Date'])
-    df = df.set_index('Date')
-
-    # Detectar anomalias na série temporal usando a média móvel
-    anomaly_indices = detect_anomalies(df['Value'], window_size=window_size, threshold=threshold)
-
-    # Plotar a série temporal com as anomalias destacadas
-    plot_anomalies(df['Value'], anomaly_indices)
-
-    # Retornar os pontos de anomalia como um dataframe
-    anomaly_points = pd.DataFrame({'Date': df.index[anomaly_indices], 'Value': df['Value'][anomaly_indices]})
-
-    return anomaly_points
+    # Retorne os valores anômalos como um dataframe
+    return anomalies
 
 # Interface do Gradio
 iface = gr.Interface(
-    fn=anomaly_detection_app,
-    inputs=[
-        gr.inputs.File(label="Carregar série temporal (TXT)"),
-        gr.RangedSlider(minimum=1, maximum=30, default=7, label="Tamanho da janela da média móvel"),
-        gr.RangedSlider(minimum=0.1, maximum=5, default=2.5, label="Threshold para anomalias (em desvios-padrão)")
-    ],
+    fn=detect_anomalies,
+    inputs=gr.inputs.File(label="Carregar série temporal (TXT)"),
     outputs=gr.outputs.Dataframe(type="pandas", label="Pontos de Anomalia"),
     title="Análise de Anomalias em Séries Temporais",
-    description="Este aplicativo detecta anomalias em uma série temporal carregada através de um arquivo de texto (TXT) usando a média móvel.",
+    description="Este aplicativo detecta anomalias em uma série temporal carregada através de um arquivo de texto (TXT).",
     live=True
 )