Spaces:

Jartemio
/

SysvIA

Runtime error

SysvIA / app.py

modificacion de interface

03f1871 almost 4 years ago

5.98 kB

#imports
import streamlit as st
import random
import pickle 
from sklearn.preprocessing import StandardScaler
import pandas as pd
import time

from sklearn.cluster import KMeans


#pre cargar
standard_scaler = StandardScaler()
dataIni = pd.read_csv('DataModelo.csv')
#data = dataIni.drop(['Usuario_Id','Cluster','recency','Avg_dias','distancia','total_min','num_reincidencia','mes'], axis=1, )
#data = dataIni.drop(columns= {'Cluster','Usuario_Id','recency', 'Avg_dias','distancia', 'total_min', 'num_reincidencia', 'mes'})
data = dataIni[['recency_t','Avg_dias_t','distancia_t','total_min_t','num_reincidencia_t','mes_t']]
# var

cluster_dict = {
    0: {"descripcion":"Usuarios que usan muchas veces el servicio, por distancias largas y frecuentemente.",},
    1: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan pocas veces al año y con muy poca frecuencia.",},
    2: {"descripcion":"Usuarios que usan el servicio para distancias largas, pocas veces al año y no muy frecuentemente.",},
    3: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y frecuentemente.",},
    4: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y muy frecuentemente",},
    5: {"descripcion":"Usuarios que lo usan por distancias muy cortas, muy pocas veces al año y muy pocos frecuente",},
    6: {"descripcion":"Usuarios que usan el servicio para distancias cortas, pero lo utilizan muy seguido durante todo el año.",},
    7: {"descripcion":"Usuarios que utilizan el servicio para distancias largas, pero muy pocas veces al año y con muy poca frecuencia."},
}

diccionario_operaciones = {
    'recency_t': (1/3),
    'Avg_dias_t': (1/5),
    'distancia_t': 1,
    'total_min_t': (1/3),
    'num_reincidencia_t': (1/3),
    'mes_t': 1

}

diccionario_mes_t = {
    '1 mes': 1,
    '2 meses': 2,
    '3 meses': 3,
    '4 meses': 4,
    '5 meses': 5,
    '6 meses': 6,
    '7 meses': 7,
    '8 meses': 8,
    '9 meses': 9,
    '10 meses': 10,
    '11 meses': 11,
    '12 meses (1 año)': 12
}

diccionario_total_min_t = {
    '1-10 minutos': 5,
    '10-20 minutos': 15,
    '20-30 minutos': 25,
    '30-40 minutos': 35,
    '40-50 minutos': 45,
    '1 Hora': 60,
    '1 Hora y media': 90,
    '2 Horas': 120,
    '3 Horas': 180,
    '4 Horas': 240,
    '5 Horas o más': 300
}

diccionario_Avg_dias_t = {
    '1 - 5 dias': 2.5,
    '5 - 10 dias': 7.5, 
    '10 - 15 dias': 12.5,
    '15 - 20 dias': 17.5,
    '20 - 25 dias': 22.5,
    '25 - 30 dias': 27.5,
    '30 - 35 dias': 32.5,
    '35 - 40 dias': 37.5,
    '40 dias en adelante': 45
}

#Funciones

def transformacionData(formularioTemp):
    for k, v in formularioTemp.items():
        formularioTemp[k]= (float(v[0])  ** diccionario_operaciones[k])
    return formularioTemp

def procesarDatos(valor): 
    with st.spinner('Cargando...'):  
        
        
        formulario = {
                    'recency_t': str(valor[0]),
                    'Avg_dias_t': str(diccionario_Avg_dias_t[valor[1]]),
                    'distancia_t': str(valor[2]),
                    'total_min_t': str(diccionario_total_min_t[valor[3]]),
                    'num_reincidencia_t': str(valor[4]),
                    'mes_t': str(diccionario_mes_t[valor[5]])
                }

        resultado = transformacionData(formulario)

        dataNew = data.append(resultado,ignore_index=True)
        dataNew = dataNew.fillna(0)
        #standard_scaler
        Master_scaled = standard_scaler.fit_transform(dataNew)
        Master_scaled = pd.DataFrame(Master_scaled)
        Master_scaled.columns = dataNew.columns



        # Agregar el diccionario de entrada al dataset como último valor 

        #last_data = Master_scaled.iloc[1:]

        # Verificar el tiempo de respuesta de estandarización para estandarizar los datos de entrada

        # Ejecución de modelo
        kmeans = KMeans()

        # Aplicación del método del codo para la obtención de número de clúster óptimos
        distortions = []
        K = range(1,8)
        for k in K:
            kmeanModel = KMeans(n_clusters=k)
            kmeanModel.fit(Master_scaled)
            distortions.append(kmeanModel.inertia_)

        dataNew["Cluster"] = kmeans.fit_predict(Master_scaled)


        # Resultado 
        #resultado = dataNew.iloc[1:]['cluster']

        #st.text(resultado)


        # print(resultado)
        st.success(cluster_dict[dataNew["Cluster"].iloc[-1]]["descripcion"]+"✅")
        return ""

#Interface

st.image('banner.jpg')

col1, col2, col3 , col4, col5 = st.columns(5)
with col3:
    st.image('logo.png')
    
col1, col2, col3 = st.columns(3)
with col1:
    recency = st.number_input('Dias recientes que ha usado MIBICI',min_value=1, max_value=30, value=1)

with col2:
    #avg_dias = st.number_input('Promedio de dias que se usa mibici',value=0.00)
    avg_dias = option = st.selectbox(
                    'Dias que usa MIBICI usualmente',
                    (diccionario_Avg_dias_t))
with col3:
    total_min = st.number_input('Distancia que recorre en km', min_value=0.5, max_value=20.0, value=0.5, step=0.5 )

col1, col2, col3 = st.columns(3)
with col1:
    num_reincidencia = st.number_input('Numeros de reincidencia', min_value=1, max_value=10, value=1, step=1)
with col2:
    total_min = option = st.selectbox(
                    'Total de minutos usados',
                    (diccionario_total_min_t))
    
    
with col3:
    mes = option = st.selectbox('¿Cuántos meses ha usado mi bici?',
                            (diccionario_mes_t))
#Master = Master[[recency, avg_dias, total_min, num_reincidencia, mes]]

col1, col2, col3 , col4, col5, col6, col7 = st.columns(7)
with col4:
    buttonCalcular = st.button('Calcular')
    
texto_output = st.markdown('')
    
    


    

    
    
if buttonCalcular:
    texto_output.markdown(procesarDatos([recency, avg_dias, total_min, total_min, num_reincidencia, mes]))

	#imports
	import streamlit as st
	import random
	import pickle
	from sklearn.preprocessing import StandardScaler
	import pandas as pd
	import time

	from sklearn.cluster import KMeans


	#pre cargar
	standard_scaler = StandardScaler()
	dataIni = pd.read_csv('DataModelo.csv')
	#data = dataIni.drop(['Usuario_Id','Cluster','recency','Avg_dias','distancia','total_min','num_reincidencia','mes'], axis=1, )
	#data = dataIni.drop(columns= {'Cluster','Usuario_Id','recency', 'Avg_dias','distancia', 'total_min', 'num_reincidencia', 'mes'})
	data = dataIni[['recency_t','Avg_dias_t','distancia_t','total_min_t','num_reincidencia_t','mes_t']]
	# var

	cluster_dict = {
	0: {"descripcion":"Usuarios que usan muchas veces el servicio, por distancias largas y frecuentemente.",},
	1: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan pocas veces al año y con muy poca frecuencia.",},
	2: {"descripcion":"Usuarios que usan el servicio para distancias largas, pocas veces al año y no muy frecuentemente.",},
	3: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y frecuentemente.",},
	4: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y muy frecuentemente",},
	5: {"descripcion":"Usuarios que lo usan por distancias muy cortas, muy pocas veces al año y muy pocos frecuente",},
	6: {"descripcion":"Usuarios que usan el servicio para distancias cortas, pero lo utilizan muy seguido durante todo el año.",},
	7: {"descripcion":"Usuarios que utilizan el servicio para distancias largas, pero muy pocas veces al año y con muy poca frecuencia."},
	}

	diccionario_operaciones = {
	'recency_t': (1/3),
	'Avg_dias_t': (1/5),
	'distancia_t': 1,
	'total_min_t': (1/3),
	'num_reincidencia_t': (1/3),
	'mes_t': 1

	}

	diccionario_mes_t = {
	'1 mes': 1,
	'2 meses': 2,
	'3 meses': 3,
	'4 meses': 4,
	'5 meses': 5,
	'6 meses': 6,
	'7 meses': 7,
	'8 meses': 8,
	'9 meses': 9,
	'10 meses': 10,
	'11 meses': 11,
	'12 meses (1 año)': 12
	}

	diccionario_total_min_t = {
	'1-10 minutos': 5,
	'10-20 minutos': 15,
	'20-30 minutos': 25,
	'30-40 minutos': 35,
	'40-50 minutos': 45,
	'1 Hora': 60,
	'1 Hora y media': 90,
	'2 Horas': 120,
	'3 Horas': 180,
	'4 Horas': 240,
	'5 Horas o más': 300
	}

	diccionario_Avg_dias_t = {
	'1 - 5 dias': 2.5,
	'5 - 10 dias': 7.5,
	'10 - 15 dias': 12.5,
	'15 - 20 dias': 17.5,
	'20 - 25 dias': 22.5,
	'25 - 30 dias': 27.5,
	'30 - 35 dias': 32.5,
	'35 - 40 dias': 37.5,
	'40 dias en adelante': 45
	}

	#Funciones

	def transformacionData(formularioTemp):
	for k, v in formularioTemp.items():
	formularioTemp[k]= (float(v[0]) ** diccionario_operaciones[k])
	return formularioTemp

	def procesarDatos(valor):
	with st.spinner('Cargando...'):


	formulario = {
	'recency_t': str(valor[0]),
	'Avg_dias_t': str(diccionario_Avg_dias_t[valor[1]]),
	'distancia_t': str(valor[2]),
	'total_min_t': str(diccionario_total_min_t[valor[3]]),
	'num_reincidencia_t': str(valor[4]),
	'mes_t': str(diccionario_mes_t[valor[5]])
	}

	resultado = transformacionData(formulario)

	dataNew = data.append(resultado,ignore_index=True)
	dataNew = dataNew.fillna(0)
	#standard_scaler
	Master_scaled = standard_scaler.fit_transform(dataNew)
	Master_scaled = pd.DataFrame(Master_scaled)
	Master_scaled.columns = dataNew.columns



	# Agregar el diccionario de entrada al dataset como último valor

	#last_data = Master_scaled.iloc[1:]

	# Verificar el tiempo de respuesta de estandarización para estandarizar los datos de entrada

	# Ejecución de modelo
	kmeans = KMeans()

	# Aplicación del método del codo para la obtención de número de clúster óptimos
	distortions = []
	K = range(1,8)
	for k in K:
	kmeanModel = KMeans(n_clusters=k)
	kmeanModel.fit(Master_scaled)
	distortions.append(kmeanModel.inertia_)

	dataNew["Cluster"] = kmeans.fit_predict(Master_scaled)


	# Resultado
	#resultado = dataNew.iloc[1:]['cluster']

	#st.text(resultado)


	# print(resultado)
	st.success(cluster_dict[dataNew["Cluster"].iloc[-1]]["descripcion"]+"✅")
	return ""

	#Interface

	st.image('banner.jpg')

	col1, col2, col3 , col4, col5 = st.columns(5)
	with col3:
	st.image('logo.png')

	col1, col2, col3 = st.columns(3)
	with col1:
	recency = st.number_input('Dias recientes que ha usado MIBICI',min_value=1, max_value=30, value=1)

	with col2:
	#avg_dias = st.number_input('Promedio de dias que se usa mibici',value=0.00)
	avg_dias = option = st.selectbox(
	'Dias que usa MIBICI usualmente',
	(diccionario_Avg_dias_t))
	with col3:
	total_min = st.number_input('Distancia que recorre en km', min_value=0.5, max_value=20.0, value=0.5, step=0.5 )

	col1, col2, col3 = st.columns(3)
	with col1:
	num_reincidencia = st.number_input('Numeros de reincidencia', min_value=1, max_value=10, value=1, step=1)
	with col2:
	total_min = option = st.selectbox(
	'Total de minutos usados',
	(diccionario_total_min_t))


	with col3:
	mes = option = st.selectbox('¿Cuántos meses ha usado mi bici?',
	(diccionario_mes_t))
	#Master = Master[[recency, avg_dias, total_min, num_reincidencia, mes]]

	col1, col2, col3 , col4, col5, col6, col7 = st.columns(7)
	with col4:
	buttonCalcular = st.button('Calcular')

	texto_output = st.markdown('')








	if buttonCalcular:
	texto_output.markdown(procesarDatos([recency, avg_dias, total_min, total_min, num_reincidencia, mes]))