app.py

from huggingface_hub import hf_hub_download
import pickle
import os
import re
from transformers import pipeline
import pandas as pd

# 🚀 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)
        with torch.no_grad():
            resultado = modelo_original(entrada)
            # Explicitly check for torch.Tensor or numbers
            return resultado.item() if isinstance(resultado, (torch.Tensor, int, float, np.ndarray)) else resultado
    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())
#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:
    gr.Markdown("# 📢 Análisis de Contratos Públicos 🚀")

    archivo_input = gr.File(label="📂 Sube tu archivo CSV")
    btn_cargar = gr.Button("📋 Cargar")
    estado_carga = gr.Text(label="Estado de carga")
    archivo_descargar = gr.File(label="📥 Descargar datos cargados", visible=False)

    btn_cargar.click(cargar_contrataciones, inputs=[archivo_input], outputs=[archivo_descargar, estado_carga])

    gr.Markdown("## 🔍 Análisis")
    num_filas = gr.Number(label="Filas a analizar", value=500)
    btn_analizar = gr.Button("🔎 Analizar")
    estado_analisis = gr.Text(label="Estado del análisis")
    archivo_resultado = gr.File(label="📥 Descargar Resultados")
    tabla_resultados = gr.HTML(label="📊 Resultados")

    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