upload app

app.py

@@ -0,0 +1,142 @@
+from huggingface_hub import hf_hub_download
+import pickle
+import os
+import re
+import numpy as np
+from transformers import pipeline
+import pandas as pd
+import gradio as gr
+
+# 🚀 Cargar modelo principal o usar Hugging Face como alternativa
+def cargar_modelo():
+    try:
+        modelo_path = hf_hub_download(repo_id="ElDoctor/contractor", filename="modelo.pkl")
+        with open(modelo_path, 'rb') as f:
+            return pickle.load(f)
+    except Exception:
+        return pipeline("text-classification", model="distilbert-base-uncased-finetuned-sst-2-english")
+
+modelo = cargar_modelo()
+
+def predecir_con_modelo_original(precio):
+    try:
+        entrada = torch.tensor([float(precio)], dtype=torch.float32) # type: ignore
+        with torch.no_grad(): # type: ignore # type: ignore
+            resultado = modelo_original(entrada) # type: ignore
+            # Explicitly check for torch.Tensor or numbers
+            return resultado.item() if isinstance(resultado, (torch.Tensor, int, float, np.ndarray)) else resultado # type: ignore
+    except Exception as e:
+        print(f"Error en predicción con modelo original: {e}")
+        return None
+
+# 🔍 Detección automática de la columna de precios
+def detectar_columna_precios(df):
+    nombres = ['tender price', 'precio', 'monto', 'valor', 'costo', 'importe', 'amount', 'price', 'contract value', 'cost']
+    for columna in df.columns:
+        if any(nombre in columna.lower() for nombre in nombres):
+            if pd.to_numeric(df[columna], errors='coerce').notna().sum() > 0.5 * len(df):
+                return columna
+    return None
+
+# 🧹 Limpieza de precios
+def limpiar_precio(valor):
+    if pd.isna(valor):
+        return np.nan
+    if isinstance(valor, str):
+        valor = re.sub(r'[^\d.,]', '', valor).replace(',', '.')
+    try:
+        return float(valor)
+    except:
+        return np.nan
+
+# 📤 Cargar archivo CSV
+def cargar_contrataciones(archivo_csv):
+    try:
+        df = pd.read_csv(archivo_csv.name)
+        columna_precio = detectar_columna_precios(df)
+        if not columna_precio:
+            return None, "⚠️ No se encontró una columna con precios."
+        df['Precio_Procesado'] = df[columna_precio].apply(limpiar_precio)
+        df.dropna(subset=['Precio_Procesado'], inplace=True)
+        df.to_csv("archivo_completo.csv", index=False)
+        return "archivo_completo.csv", f"✅ {len(df)} contrataciones cargadas."
+    except Exception as e:
+        return None, f"❌ Error al procesar: {e}"
+
+def aplicar_color(val):
+    color = 'green' if val > 90 else 'red' if val < 10 else 'orange'
+    return f'color: {color}'
+
+# 📊 Analizar contrataciones
+# 🎨 Ajuste de colores basado en valores altos = más rojo
+def aplicar_estilo(df):
+    return df.style.background_gradient(
+        cmap="Reds", subset=["Precio_Procesado", "Confianza Ajustada"]
+    ).set_properties(**{"text-align": "center"})
+
+# 📊 Analizar contrataciones
+def analizar_contrataciones(n_filas):
+    try:
+        if not os.path.exists("archivo_completo.csv"):
+            return None, "⚠️ Carga un archivo primero.", None
+
+        df = pd.read_csv("archivo_completo.csv")
+        columna_precio = detectar_columna_precios(df)
+        if not columna_precio:
+            return None, "⚠️ No se encontró una columna de precios.", None
+
+        df['Precio_Procesado'] = df[columna_precio].apply(limpiar_precio)
+        df.dropna(subset=['Precio_Procesado'], inplace=True)
+
+        n_filas = min(max(1, int(n_filas)), len(df))
+        df = df.sample(n=n_filas)
+
+        # 🔮 Predicción con el modelo
+        if callable(modelo):  # Verifica si el modelo es una función (Hugging Face o PyTorch)
+            if "transformers.pipelines" in str(type(modelo)):  # Modelo Hugging Face
+                textos = [f"El precio del contrato es {precio}" for precio in df['Precio_Procesado'].astype(str)]
+                resultados = modelo(textos)
+                df['Etiqueta'] = [r["label"] for r in resultados]
+                df['Confianza'] = [r["score"] for r in resultados]
+            else:  # Modelo PyTorch
+                df['Confianza'] = df['Precio_Procesado'].apply(lambda x: modelo(torch.tensor([x], dtype=torch.float32)).item()) # type: ignore
+#DEBEMOS AJUSTAR EL VALOR PARA QUE TENGA MAYOR COHERENCIA
+        # 📊 Ajuste de datos
+        df['Confianza Ajustada'] = df['Confianza'] * 100000
+
+        # 🗑️ Eliminar la columna Precio_Formatado
+        df.drop(columns=["Precio_Formatado"], errors="ignore", inplace=True)
+
+        # 🎨 Aplicar estilo de colores
+        df_styled = df.style.background_gradient(
+            cmap="Reds", subset=["Precio_Procesado", "Confianza Ajustada"]
+        ).set_properties(**{"text-align": "center"})
+
+        df.to_csv("resultados.csv", index=False)
+        return "resultados.csv", f"✅ Analizadas {len(df)} filas.", df_styled.to_html()
+
+    except Exception as e:
+        return None, f"❌ Error: {e}", None
+
+
+# 🌟 Interfaz en Gradio
+with gr.Blocks(title="Análisis de Contratos Públicos") as app: # type: ignore
+    gr.Markdown("# 📢 Análisis de Contratos Públicos 🚀") # type: ignore
+
+    archivo_input = gr.File(label="📂 Sube tu archivo CSV") # type: ignore
+    btn_cargar = gr.Button("📋 Cargar") # type: ignore
+    estado_carga = gr.Text(label="Estado de carga") # type: ignore
+    archivo_descargar = gr.File(label="📥 Descargar datos cargados", visible=False) # type: ignore
+
+    btn_cargar.click(cargar_contrataciones, inputs=[archivo_input], outputs=[archivo_descargar, estado_carga])
+
+    gr.Markdown("## 🔍 Análisis") # type: ignore
+    num_filas = gr.Number(label="Filas a analizar", value=500) # type: ignore
+    btn_analizar = gr.Button("🔎 Analizar") # type: ignore
+    estado_analisis = gr.Text(label="Estado del análisis") # type: ignore
+    archivo_resultado = gr.File(label="📥 Descargar Resultados") # type: ignore
+    tabla_resultados = gr.HTML(label="📊 Resultados") # type: ignore
+
+    btn_analizar.click(analizar_contrataciones, inputs=[num_filas], outputs=[archivo_resultado, estado_analisis, tabla_resultados])
+
+app.launch(share=True) # Moved inside the with gr.blocks() statement