Update app.py

app.py

@@ -1,12 +1,22 @@
 import streamlit as st
 import pandas as pd
 import matplotlib.pyplot as plt
+from datasets import load_dataset
 
-# Load the data files
-cleaned_data = pd.read_csv('cleaned_data.csv')
-veg_index_data = pd.read_csv('SentinelTimeSeries_Sugarcane (2) (3).csv')
-weather_data = pd.read_csv('weather_data.csv')  # Replace with your weather data file
-performance_estimation_data = pd.read_csv('تخمین تناژ.csv')  # Replace with your yield estimation file
+# Load the dataset from Hugging Face
+dataset = load_dataset('Esmaeilkianii/croplogdehkhoda', split='train')
+data = pd.DataFrame(dataset)
+
+# Split the data into different sections based on columns or logic
+# Assuming the dataset contains the combined information for all four files
+
+# Separate different sections of the data
+cleaned_data = data[['مزرعه', 'year', 'yield', 'age', 'variety', 'area']]  # Example farm performance data
+veg_index_data = data[['مزرعه', 'date', 'mean_VH', 'mean_VV']]  # Example vegetation index data
+weather_data = data[['سال', 'ماه', 'روز', 'تاریخ', 'درجه حرارت حداقل', 'درجه حرارت حداکثر', 'میانگین درجه حرارت',
+                     'حداقل رطوبت نسبی (درصد)', 'حداکثر رطوبت نسبی (درصد)', 'میانگین رطوبت نسبی (درصد)',
+                     'میزان تبخیر روزانه (میلیمتر)', 'میزان بارندگی (میلیمتر)', 'میزان ساعت افتابی']]  # Weather data
+performance_estimation_data = data[['مزرعه', 'yield', 'tonnage']]  # Example yield and tonnage prediction
 
 # Function to search for farm performance
 def search_farm(farm_name):
@@ -76,3 +86,4 @@ elif menu == "پیش بینی عملکرد":
     
     if st.button("پیش بینی"):
         predict_performance(farm_name_prediction)
+