Spaces:
Running
Running
File size: 227,310 Bytes
b57deae 1348ce9 b57deae df0f840 b9f4c49 b57deae b508427 b57deae aeea014 b57deae 3bcca65 7b92e6f 3bcca65 b57deae 870cf35 b57deae c776af3 b57deae c776af3 b57deae 51e6ddb b57deae c776af3 b57deae c776af3 b57deae 51e6ddb b57deae 8ab2205 e4f19ff 8ab2205 9e6e917 8ab2205 1722498 8ab2205 3703165 8ab2205 6ea2cb8 1722498 6ea2cb8 8ab2205 3703165 8ab2205 3f7ffed 8ab2205 6ea2cb8 1722498 8ab2205 3703165 ce15cd3 8ab2205 3f7ffed 8ab2205 317b3f8 8ab2205 317b3f8 88c9ed8 8ab2205 33ef47b b3b64ff 8ab2205 3f7ffed 8ab2205 b57deae 1eca733 e79de86 b57deae c776af3 b57deae 8f3978c b57deae c776af3 8f3978c b57deae c776af3 b57deae c776af3 b57deae 9e6e917 b57deae 317b3f8 88c9ed8 b57deae 69dd9a0 b57deae ae6c5ab 1c9425b b57deae 6cfde2a 3f97339 6cfde2a f2c239a b57deae 9e934cb b57deae b23656a b57deae b23656a b57deae e858952 b57deae b23656a 9e934cb b57deae b508427 b57deae af664d2 b57deae 151076a b57deae 151076a b57deae 151076a fadc812 151076a fadc812 151076a b57deae 89f5be6 b57deae 8ab2205 e5bab95 8ab2205 7ba60f8 8ab2205 52aa851 8ab2205 a220f73 8ab2205 a910b59 8ab2205 d829f04 0dead45 d829f04 b23656a daeca08 b23656a 025868d b23656a 025868d b23656a 3f97339 f2c239a 8ab2205 3bcca65 521b4db 8ab2205 d829f04 8ab2205 a220f73 b57deae fbc5723 b57deae 9e6e917 b57deae fbc5723 b57deae b508427 2d7f069 b508427 b23656a 66fc410 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae a8ad9af 9e6e917 a8ad9af 9e6e917 a8ad9af 9e6e917 b508427 8e94cdb 9e6e917 a8ad9af 9e6e917 06798b1 8e94cdb a8ad9af b508427 9e6e917 b508427 9e6e917 7f69189 019b20e 9e6e917 7f69189 9e6e917 7f69189 9e6e917 7f69189 9e6e917 7f69189 9e6e917 7f69189 9e6e917 7f69189 9e6e917 a157a09 019b20e b57deae cbd93cb 9e6e917 cbd93cb 9e6e917 b57deae 9e6e917 b57deae 9e6e917 7f69189 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 019b20e b57deae 9e6e917 b57deae 9e6e917 b57deae cbd93cb 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 b57deae 9e6e917 25f6acd b57deae 9e6e917 b57deae 9e6e917 06798b1 9e6e917 3bcca65 521b4db b57deae 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 b23656a a658705 9e6e917 a658705 9e6e917 a658705 82beb08 5843510 9e6e917 5843510 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 a658705 9e6e917 8d6a185 9e6e917 8d6a185 9e6e917 8d6a185 9e6e917 8d6a185 9e6e917 8d6a185 9e6e917 8d6a185 5d50378 9e6e917 5d50378 9e6e917 8d6a185 9e6e917 8d6a185 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 9e6e917 5d50378 a658705 9e6e917 bde203a 9e6e917 bde203a 5d50378 bde203a 9e6e917 bde203a 5d50378 bde203a 9e6e917 bde203a 5d50378 bde203a 9e6e917 bde203a 5d50378 bde203a 9e6e917 bde203a 9e6e917 bde203a 9e6e917 bde203a 9e6e917 dd6f35f 9e6e917 bde203a 9e6e917 bde203a 9e6e917 bde203a b57deae a220f73 b57deae | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500 2501 2502 2503 2504 2505 2506 2507 2508 2509 2510 2511 2512 2513 2514 2515 2516 2517 2518 2519 2520 2521 2522 2523 2524 2525 2526 2527 2528 2529 2530 2531 2532 2533 2534 2535 2536 2537 2538 2539 2540 2541 2542 2543 2544 2545 2546 2547 2548 2549 2550 2551 2552 2553 2554 2555 2556 2557 2558 2559 2560 2561 2562 2563 2564 2565 2566 2567 2568 2569 2570 2571 2572 2573 2574 2575 2576 2577 2578 2579 2580 2581 2582 2583 2584 2585 2586 2587 2588 2589 2590 2591 2592 2593 2594 2595 2596 2597 2598 2599 2600 2601 2602 2603 2604 2605 2606 2607 2608 2609 2610 2611 2612 2613 2614 2615 2616 2617 2618 2619 2620 2621 2622 2623 2624 2625 2626 2627 2628 2629 2630 2631 2632 2633 2634 2635 2636 2637 2638 2639 2640 2641 2642 2643 2644 2645 2646 2647 2648 2649 2650 2651 2652 2653 2654 2655 2656 2657 2658 2659 2660 2661 2662 2663 2664 2665 2666 2667 2668 2669 2670 2671 2672 2673 2674 2675 2676 2677 2678 2679 2680 2681 2682 2683 2684 2685 2686 2687 2688 2689 2690 2691 2692 2693 2694 2695 2696 2697 2698 2699 2700 2701 2702 2703 2704 2705 2706 2707 2708 2709 2710 2711 2712 2713 2714 2715 2716 2717 2718 2719 2720 2721 2722 2723 2724 2725 2726 2727 2728 2729 2730 2731 2732 2733 2734 2735 2736 2737 2738 2739 2740 2741 2742 2743 2744 2745 2746 2747 2748 2749 2750 2751 2752 2753 2754 2755 2756 2757 2758 2759 2760 2761 2762 2763 2764 2765 2766 2767 2768 2769 2770 2771 2772 2773 2774 2775 2776 2777 2778 2779 2780 2781 2782 2783 2784 2785 2786 2787 2788 2789 2790 2791 2792 2793 2794 2795 2796 2797 2798 2799 2800 2801 2802 2803 2804 2805 2806 2807 2808 2809 2810 2811 2812 2813 2814 2815 2816 2817 2818 2819 2820 2821 2822 2823 2824 2825 2826 2827 2828 2829 2830 2831 2832 2833 2834 2835 2836 2837 2838 2839 2840 2841 2842 2843 2844 2845 2846 2847 2848 2849 2850 2851 2852 2853 2854 2855 2856 2857 2858 2859 2860 2861 2862 2863 2864 2865 2866 2867 2868 2869 2870 2871 2872 2873 2874 2875 2876 2877 2878 2879 2880 2881 2882 2883 2884 2885 2886 2887 2888 2889 2890 2891 2892 2893 2894 2895 2896 2897 2898 2899 2900 2901 2902 2903 2904 2905 2906 2907 2908 2909 2910 2911 2912 2913 2914 2915 2916 2917 2918 2919 2920 2921 2922 2923 2924 2925 2926 2927 2928 2929 2930 2931 2932 2933 2934 2935 2936 2937 2938 2939 2940 2941 2942 2943 2944 2945 2946 2947 2948 2949 2950 2951 2952 2953 2954 2955 2956 2957 2958 2959 2960 2961 2962 2963 2964 2965 2966 2967 2968 2969 2970 2971 2972 2973 2974 2975 2976 2977 2978 2979 2980 2981 2982 2983 2984 2985 2986 2987 2988 2989 2990 2991 2992 2993 2994 2995 2996 2997 2998 2999 3000 3001 3002 3003 3004 3005 3006 3007 3008 3009 3010 3011 3012 3013 3014 3015 3016 3017 3018 3019 3020 3021 3022 3023 3024 3025 3026 3027 3028 3029 3030 3031 3032 3033 3034 3035 3036 3037 3038 3039 3040 3041 3042 3043 3044 3045 3046 3047 3048 3049 3050 3051 3052 3053 3054 3055 3056 3057 3058 3059 3060 3061 3062 3063 3064 3065 3066 3067 3068 3069 3070 3071 3072 3073 3074 3075 3076 3077 3078 3079 3080 3081 3082 3083 3084 3085 3086 3087 3088 3089 3090 3091 3092 3093 3094 3095 3096 3097 3098 3099 3100 3101 3102 3103 3104 3105 3106 3107 3108 3109 3110 3111 3112 3113 3114 3115 3116 3117 3118 3119 3120 3121 3122 3123 3124 3125 3126 3127 3128 3129 3130 3131 3132 3133 3134 3135 3136 3137 3138 3139 3140 3141 3142 3143 3144 3145 3146 3147 3148 3149 3150 3151 3152 3153 3154 3155 3156 3157 3158 3159 3160 3161 3162 3163 3164 3165 3166 3167 3168 3169 3170 3171 3172 3173 3174 3175 3176 3177 3178 3179 3180 3181 3182 3183 3184 3185 3186 3187 3188 3189 3190 3191 3192 3193 3194 3195 3196 3197 3198 3199 3200 3201 3202 3203 3204 3205 3206 3207 3208 3209 3210 3211 3212 3213 3214 3215 3216 3217 3218 3219 3220 3221 3222 3223 3224 3225 3226 3227 3228 3229 3230 3231 3232 3233 3234 3235 3236 3237 3238 3239 3240 3241 3242 3243 3244 3245 3246 3247 3248 3249 3250 3251 3252 3253 3254 3255 3256 3257 3258 3259 3260 3261 3262 3263 3264 3265 3266 3267 3268 3269 3270 3271 3272 3273 3274 3275 3276 3277 3278 3279 3280 3281 3282 3283 3284 3285 3286 3287 3288 3289 3290 3291 3292 3293 3294 3295 3296 3297 3298 3299 3300 3301 3302 3303 3304 3305 3306 3307 3308 3309 3310 3311 3312 3313 3314 3315 3316 3317 3318 3319 3320 3321 3322 3323 3324 3325 3326 3327 3328 3329 3330 3331 3332 3333 3334 3335 3336 3337 3338 3339 3340 3341 3342 3343 3344 3345 3346 3347 3348 3349 3350 3351 3352 3353 3354 3355 3356 3357 3358 3359 3360 3361 3362 3363 3364 3365 3366 3367 3368 3369 3370 3371 3372 3373 3374 3375 3376 3377 3378 3379 3380 3381 3382 3383 3384 3385 3386 3387 3388 3389 3390 3391 3392 3393 3394 3395 3396 3397 3398 3399 3400 3401 3402 3403 3404 3405 3406 3407 3408 3409 3410 3411 3412 3413 3414 3415 3416 3417 3418 3419 3420 3421 3422 3423 3424 3425 3426 3427 3428 3429 3430 3431 3432 3433 3434 3435 3436 3437 3438 3439 3440 3441 3442 3443 3444 3445 3446 3447 3448 3449 3450 3451 3452 3453 3454 3455 3456 3457 3458 3459 3460 3461 3462 3463 3464 3465 3466 3467 3468 3469 3470 3471 3472 3473 3474 3475 3476 3477 3478 3479 3480 3481 3482 3483 3484 3485 3486 3487 3488 3489 3490 3491 3492 3493 3494 3495 3496 3497 3498 3499 3500 3501 3502 3503 3504 3505 3506 3507 3508 3509 3510 3511 3512 3513 3514 3515 3516 3517 3518 3519 3520 3521 3522 3523 3524 3525 3526 3527 3528 3529 3530 3531 3532 3533 3534 3535 3536 3537 3538 3539 3540 3541 3542 3543 3544 3545 3546 3547 3548 3549 3550 3551 3552 3553 3554 3555 3556 3557 3558 3559 3560 3561 3562 3563 3564 3565 3566 3567 3568 3569 3570 3571 3572 3573 3574 3575 3576 3577 3578 3579 3580 3581 3582 3583 3584 3585 3586 3587 3588 3589 3590 3591 3592 3593 3594 3595 3596 3597 3598 3599 3600 3601 3602 3603 3604 3605 3606 3607 3608 3609 3610 3611 3612 3613 3614 3615 3616 3617 3618 3619 3620 3621 3622 3623 3624 3625 3626 3627 3628 3629 3630 3631 3632 3633 3634 3635 3636 3637 3638 3639 3640 3641 3642 3643 3644 3645 3646 3647 3648 3649 3650 3651 3652 3653 3654 3655 3656 3657 3658 3659 3660 3661 3662 3663 3664 3665 3666 3667 3668 3669 3670 3671 3672 3673 3674 3675 3676 3677 3678 3679 3680 3681 3682 3683 3684 3685 3686 3687 3688 3689 3690 3691 3692 3693 3694 3695 3696 3697 3698 3699 3700 3701 3702 3703 3704 3705 3706 3707 3708 3709 3710 3711 3712 3713 3714 3715 3716 3717 3718 3719 3720 3721 3722 3723 3724 3725 3726 3727 3728 3729 3730 3731 3732 3733 3734 3735 3736 3737 3738 3739 3740 3741 3742 3743 3744 3745 3746 3747 3748 3749 3750 3751 3752 3753 3754 3755 3756 3757 3758 3759 3760 3761 3762 3763 3764 3765 3766 3767 3768 3769 3770 3771 3772 3773 3774 3775 3776 3777 3778 3779 3780 3781 3782 3783 3784 3785 3786 3787 3788 3789 3790 3791 3792 3793 3794 3795 3796 3797 3798 3799 3800 3801 3802 3803 3804 3805 3806 3807 3808 3809 3810 3811 3812 3813 3814 3815 3816 3817 3818 3819 3820 3821 3822 3823 3824 3825 3826 3827 3828 3829 3830 3831 3832 3833 3834 3835 3836 3837 3838 3839 3840 3841 3842 3843 3844 3845 3846 3847 3848 3849 3850 3851 3852 3853 3854 3855 3856 3857 3858 3859 3860 3861 3862 3863 3864 3865 3866 3867 3868 3869 3870 3871 3872 3873 3874 3875 3876 3877 3878 3879 3880 3881 3882 3883 3884 3885 3886 3887 3888 3889 3890 3891 3892 3893 3894 3895 3896 3897 3898 3899 3900 3901 3902 3903 3904 3905 3906 3907 3908 3909 3910 3911 3912 3913 3914 3915 3916 3917 3918 3919 3920 3921 3922 3923 3924 3925 3926 3927 3928 3929 3930 3931 3932 3933 3934 3935 3936 3937 3938 3939 3940 3941 3942 3943 3944 3945 3946 3947 3948 3949 3950 3951 3952 3953 3954 3955 3956 3957 3958 3959 3960 3961 3962 3963 3964 3965 3966 3967 3968 3969 3970 3971 3972 3973 3974 3975 3976 3977 3978 3979 3980 3981 3982 3983 3984 3985 3986 3987 3988 3989 3990 3991 3992 3993 3994 3995 3996 3997 3998 3999 4000 4001 4002 4003 4004 4005 4006 4007 4008 4009 4010 4011 4012 4013 4014 4015 4016 4017 4018 4019 4020 4021 4022 4023 4024 4025 4026 4027 4028 4029 4030 4031 4032 4033 4034 4035 4036 4037 4038 4039 4040 4041 4042 4043 4044 4045 4046 4047 4048 4049 4050 4051 4052 4053 4054 4055 4056 4057 4058 4059 4060 4061 4062 4063 4064 4065 4066 4067 4068 4069 4070 4071 4072 4073 4074 4075 4076 4077 4078 4079 4080 4081 4082 4083 4084 4085 4086 4087 4088 4089 4090 4091 4092 4093 4094 4095 4096 4097 4098 4099 4100 4101 4102 4103 4104 4105 4106 4107 4108 4109 4110 4111 4112 4113 4114 4115 4116 4117 4118 4119 4120 4121 4122 4123 4124 4125 4126 4127 4128 4129 4130 4131 4132 4133 4134 4135 4136 4137 4138 4139 4140 4141 4142 4143 4144 4145 4146 4147 4148 4149 4150 4151 4152 4153 4154 4155 4156 4157 4158 4159 4160 4161 4162 4163 4164 4165 4166 4167 4168 4169 4170 4171 4172 4173 4174 4175 4176 4177 4178 4179 4180 4181 4182 | """
APLICACIÓN WEB GRADIO - VISUALIZACIONES ODS
============================================
Aplicación interactiva que permite explorar las 10 visualizaciones
de análisis de similaridad ODS a través de una interfaz web amigable.
Características:
- Interfaz con pestañas para cada visualización
- Explicaciones integradas para público general
- Visualizaciones interactivas (HTML) y estáticas (PNG)
- Estadísticas en tiempo real
- Diseño responsivo y profesional
Autor: Daniel Sandvoval
Fecha: Noviembre 2025
"""
import gradio as gr
import pandas as pd
import numpy as np
from pathlib import Path
import plotly.graph_objects as go
import plotly.express as px
from plotly.subplots import make_subplots
import matplotlib.pyplot as plt
import seaborn as sns
from src.embeddings.modelos_nlp_db import search
from src.embeddings.mass_modelos_nlp_db import search_mass
# from src.embeddings.llm_clasificador_HF import procesar_lote
from huggingface_hub import InferenceClient
# import pandas as pd
import re
import time
import pytz
from datetime import datetime, timedelta
# Importar funciones de visualización
import sys
# sys.path.insert(0, '/home/claude')
from src.visualization.visualizaciones_ods import (
cargar_datos,
viz_1_distribucion_por_ods,
viz_2_heatmap_ods_ranking,
viz_3_scatter_3d_interactivo,
viz_4_radar_chart_ods,
viz_5_sunburst_jerarquia,
viz_6_top_indicadores_por_ods,
viz_7_streamgraph_similaridad,
viz_8_violin_plot_ods,
viz_9_dashboard_metricas,
viz_10_matriz_transicion,
viz_19_resumen_tags,
viz_20_pareto_ods,
viz_21_ranking_mixto_masivo,
viz_22_composicion_score_mixto,
viz_23_nube_palabras_simple,
viz_24_header_conecta_ods,
analisis_estadistico
)
# ============================================================================
# CONFIGURACIÓN GLOBAL
# ============================================================================
import os
import base64
levels = ['ODS_ID','META_ID','INDICADOR_ID']
def generarFecha():
bogota_timezone = pytz.timezone('America/Bogota')
bogota_date = datetime.now(bogota_timezone)
fecha = bogota_date.strftime('%Y_%m_%d_%H_%M_%S')
anio = bogota_date.strftime('%Y')
mes = bogota_date.strftime('%m')
dia = bogota_date.strftime('%d')
hora = bogota_date.strftime('%H')
minuto = bogota_date.strftime('%M')
segundo = bogota_date.strftime('%S')
return fecha, anio, mes, dia, hora, minuto, segundo
def actualizar_fecha():
fecha, anio, mes, dia, hora, minuto, segundo = generarFecha()
return f"Fecha de consulta: {anio}-{mes}-{dia} {hora}:{minuto}"
def convertir_logo_a_base64(logo_path):
"""Convierte un logo a base64 para incrustar en HTML"""
# try:
# rutas_posibles = [
# logo_path,
# os.path.join(os.path.dirname(__file__), logo_path),
# os.path.join('/mnt/user-data/outputs', logo_path),
# ]
# for ruta in rutas_posibles:
# if os.path.exists(ruta):
# with open(ruta, "rb") as image_file:
# encoded = base64.b64encode(image_file.read()).decode()
# return f"data:image/png;base64,{encoded}"
# print(f"⚠️ Logo no encontrado: {logo_path}")
# return ""
# except Exception as e:
# print(f"⚠️ Error al cargar logo: {e}")
# return ""
ruta = Path('config/institucional/logos')
with open(Path(f'{ruta}/{logo_path}'), "rb") as image_file:
encoded = base64.b64encode(image_file.read()).decode()
return f"data:image/png;base64,{encoded}"
# Cargar logos una sola vez al iniciar
print("Cargando logos institucionales...")
LOGO_GOBIERNO = convertir_logo_a_base64("/institucional/GOBIERNO-DE-COLOMBIA_HORIZONTAL.webp")
LOGO_FONDO = convertir_logo_a_base64("/institucional/LOGO MPTF (ESP).webp")
if LOGO_GOBIERNO and LOGO_FONDO:
print("✅ Logos cargados correctamente")
else:
print("⚠️ Algunos logos no se pudieron cargar")
# Diccionario de colores oficiales de los ODS (Fuente: Guías de la ONU)
colores_ods = {
"1": "#E5243B", # Red - ODS 1: Fin de la Pobreza
"2": "#DDA63A", # Mustard - ODS 2: Hambre Cero
"3": "#4C9F38", # Kelly Green - ODS 3: Salud y Bienestar
"4": "#C5192D", # Dark Red - ODS 4: Educación de Calidad
"5": "#FF3A21", # Red Orange - ODS 5: Igualdad de Género
"6": "#26BDE2", # Bright Blue - ODS 6: Agua Limpia y Saneamiento
"7": "#FCC30B", # Yellow - ODS 7: Energía Asequible y No Contaminante
"8": "#A21942", # Burgundy Red - ODS 8: Trabajo Decente y Crecimiento Económico
"9": "#FD6925", # Orange - ODS 9: Industria, Innovación e Infraestructura
"10": "#DD1367", # Magenta - ODS 10: Reducción de las Desigualdades
"11": "#FD9D24", # Golden Yellow - ODS 11: Ciudades y Comunidades Sostenibles
"12": "#BF8B2E", # Dark Mustard - ODS 12: Producción y Consumo Responsables
"13": "#3F7E44", # Dark Green - ODS 13: Acción por el Clima
"14": "#0A97D9", # Blue - ODS 14: Vida Submarina
"15": "#56C02B", # Lime Green - ODS 15: Vida de Ecosistemas Terrestres
"16": "#00689D", # Royal Blue - ODS 16: Paz, Justicia e Instituciones Sólidas
"17": "#19486A", # Navy Blue - ODS 17: Alianzas para Lograr los Objetivos
}
# Color adicional para el logotipo general de los ODS
color_logo_ods = "#009EDB" # Logo Blue
dict_logos = {
'gobierno': convertir_logo_a_base64("/institucional/GOBIERNO-DE-COLOMBIA_HORIZONTAL.webp"),
'fondo_un': convertir_logo_a_base64("/institucional/LOGO MPTF (ESP).webp"),
'logo_conectaods': convertir_logo_a_base64("/institucional/LOGO-ODS-aprobado.webp"),
'ods_1': convertir_logo_a_base64("/ods/S-WEB-Goal-01.webp"),
'ods_2': convertir_logo_a_base64("/ods/S-WEB-Goal-02.webp"),
'ods_3': convertir_logo_a_base64("/ods/S-WEB-Goal-03.webp"),
'ods_4': convertir_logo_a_base64("/ods/S-WEB-Goal-04.webp"),
'ods_5': convertir_logo_a_base64("/ods/S-WEB-Goal-05.webp"),
'ods_6': convertir_logo_a_base64("/ods/S-WEB-Goal-06.webp"),
'ods_7': convertir_logo_a_base64("/ods/S-WEB-Goal-07.webp"),
'ods_8': convertir_logo_a_base64("/ods/S-WEB-Goal-08.webp"),
'ods_9': convertir_logo_a_base64("/ods/S-WEB-Goal-09.webp"),
'ods_10': convertir_logo_a_base64("/ods/S-WEB-Goal-10.webp"),
'ods_11': convertir_logo_a_base64("/ods/S-WEB-Goal-11.webp"),
'ods_12': convertir_logo_a_base64("/ods/S-WEB-Goal-12.webp"),
'ods_13': convertir_logo_a_base64("/ods/S-WEB-Goal-13.webp"),
'ods_14': convertir_logo_a_base64("/ods/S-WEB-Goal-14.webp"),
'ods_15': convertir_logo_a_base64("/ods/S-WEB-Goal-15.webp"),
'ods_16': convertir_logo_a_base64("/ods/S-WEB-Goal-16.webp"),
'ods_17': convertir_logo_a_base64("/ods/S-WEB-Goal-17.webp"),
# Metas ODS
'meta_1.1': convertir_logo_a_base64("/metas/MC_Target_1.1.webp"),
'meta_1.2': convertir_logo_a_base64("/metas/MC_Target_1.2.webp"),
'meta_1.3': convertir_logo_a_base64("/metas/MC_Target_1.3.webp"),
'meta_1.4': convertir_logo_a_base64("/metas/MC_Target_1.4.webp"),
'meta_1.5': convertir_logo_a_base64("/metas/MC_Target_1.5.webp"),
'meta_1.A': convertir_logo_a_base64("/metas/MC_Target_1.A.webp"),
'meta_1.B': convertir_logo_a_base64("/metas/MC_Target_1.B.webp"),
'meta_2.1': convertir_logo_a_base64("/metas/MC_Target_2.1.webp"),
'meta_2.2': convertir_logo_a_base64("/metas/MC_Target_2.2.webp"),
'meta_2.3': convertir_logo_a_base64("/metas/MC_Target_2.3.webp"),
'meta_2.4': convertir_logo_a_base64("/metas/MC_Target_2.4.webp"),
'meta_2.5': convertir_logo_a_base64("/metas/MC_Target_2.5.webp"),
'meta_2.A': convertir_logo_a_base64("/metas/MC_Target_2.A.webp"),
'meta_2.B': convertir_logo_a_base64("/metas/MC_Target_2.B.webp"),
'meta_2.C': convertir_logo_a_base64("/metas/MC_Target_2.C.webp"),
'meta_3.1': convertir_logo_a_base64("/metas/MC_Target_3.1.webp"),
'meta_3.2': convertir_logo_a_base64("/metas/MC_Target_3.2.webp"),
'meta_3.3': convertir_logo_a_base64("/metas/MC_Target_3.3.webp"),
'meta_3.4': convertir_logo_a_base64("/metas/MC_Target_3.4.webp"),
'meta_3.5': convertir_logo_a_base64("/metas/MC_Target_3.5.webp"),
'meta_3.6': convertir_logo_a_base64("/metas/MC_Target_3.6.webp"),
'meta_3.7': convertir_logo_a_base64("/metas/MC_Target_3.7.webp"),
'meta_3.8': convertir_logo_a_base64("/metas/MC_Target_3.8.webp"),
'meta_3.9': convertir_logo_a_base64("/metas/MC_Target_3.9.webp"),
'meta_3.A': convertir_logo_a_base64("/metas/MC_Target_3.A.webp"),
'meta_3.B': convertir_logo_a_base64("/metas/MC_Target_3.B.webp"),
'meta_3.C': convertir_logo_a_base64("/metas/MC_Target_3.C.webp"),
'meta_3.D': convertir_logo_a_base64("/metas/MC_Target_3.D.webp"),
'meta_4.1': convertir_logo_a_base64("/metas/MC_Target_4.1.webp"),
'meta_4.2': convertir_logo_a_base64("/metas/MC_Target_4.2.webp"),
'meta_4.3': convertir_logo_a_base64("/metas/MC_Target_4.3.webp"),
'meta_4.4': convertir_logo_a_base64("/metas/MC_Target_4.4.webp"),
'meta_4.5': convertir_logo_a_base64("/metas/MC_Target_4.5.webp"),
'meta_4.6': convertir_logo_a_base64("/metas/MC_Target_4.6.webp"),
'meta_4.7': convertir_logo_a_base64("/metas/MC_Target_4.7.webp"),
'meta_4.A': convertir_logo_a_base64("/metas/MC_Target_4.A.webp"),
'meta_4.B': convertir_logo_a_base64("/metas/MC_Target_4.B.webp"),
'meta_4.C': convertir_logo_a_base64("/metas/MC_Target_4.C.webp"),
'meta_5.1': convertir_logo_a_base64("/metas/MC_Target_5.1.webp"),
'meta_5.2': convertir_logo_a_base64("/metas/MC_Target_5.2.webp"),
'meta_5.3': convertir_logo_a_base64("/metas/MC_Target_5.3.webp"),
'meta_5.4': convertir_logo_a_base64("/metas/MC_Target_5.4.webp"),
'meta_5.5': convertir_logo_a_base64("/metas/MC_Target_5.5.webp"),
'meta_5.6': convertir_logo_a_base64("/metas/MC_Target_5.6.webp"),
'meta_5.A': convertir_logo_a_base64("/metas/MC_Target_5.A.webp"),
'meta_5.B': convertir_logo_a_base64("/metas/MC_Target_5.B.webp"),
'meta_5.C': convertir_logo_a_base64("/metas/MC_Target_5.C.webp"),
'meta_6.1': convertir_logo_a_base64("/metas/MC_Target_6.1.webp"),
'meta_6.2': convertir_logo_a_base64("/metas/MC_Target_6.2.webp"),
'meta_6.3': convertir_logo_a_base64("/metas/MC_Target_6.3.webp"),
'meta_6.4': convertir_logo_a_base64("/metas/MC_Target_6.4.webp"),
'meta_6.5': convertir_logo_a_base64("/metas/MC_Target_6.5.webp"),
'meta_6.6': convertir_logo_a_base64("/metas/MC_Target_6.6.webp"),
'meta_6.A': convertir_logo_a_base64("/metas/MC_Target_6.A.webp"),
'meta_6.B': convertir_logo_a_base64("/metas/MC_Target_6.B.webp"),
'meta_7.1': convertir_logo_a_base64("/metas/MC_Target_7.1.webp"),
'meta_7.2': convertir_logo_a_base64("/metas/MC_Target_7.2.webp"),
'meta_7.3': convertir_logo_a_base64("/metas/MC_Target_7.3.webp"),
'meta_7.A': convertir_logo_a_base64("/metas/MC_Target_7.A.webp"),
'meta_7.B': convertir_logo_a_base64("/metas/MC_Target_7.B.webp"),
'meta_8.1': convertir_logo_a_base64("/metas/MC_Target_8.1.webp"),
'meta_8.2': convertir_logo_a_base64("/metas/MC_Target_8.2.webp"),
'meta_8.3': convertir_logo_a_base64("/metas/MC_Target_8.3.webp"),
'meta_8.4': convertir_logo_a_base64("/metas/MC_Target_8.4.webp"),
'meta_8.5': convertir_logo_a_base64("/metas/MC_Target_8.5.webp"),
'meta_8.6': convertir_logo_a_base64("/metas/MC_Target_8.6.webp"),
'meta_8.7': convertir_logo_a_base64("/metas/MC_Target_8.7.webp"),
'meta_8.8': convertir_logo_a_base64("/metas/MC_Target_8.8.webp"),
'meta_8.9': convertir_logo_a_base64("/metas/MC_Target_8.9.webp"),
'meta_8.10': convertir_logo_a_base64("/metas/MC_Target_8.10.webp"),
'meta_8.A': convertir_logo_a_base64("/metas/MC_Target_8.A.webp"),
'meta_8.B': convertir_logo_a_base64("/metas/MC_Target_8.B.webp"),
'meta_9.1': convertir_logo_a_base64("/metas/MC_Target_9.1.webp"),
'meta_9.2': convertir_logo_a_base64("/metas/MC_Target_9.2.webp"),
'meta_9.3': convertir_logo_a_base64("/metas/MC_Target_9.3.webp"),
'meta_9.4': convertir_logo_a_base64("/metas/MC_Target_9.4.webp"),
'meta_9.5': convertir_logo_a_base64("/metas/MC_Target_9.5.webp"),
'meta_9.A': convertir_logo_a_base64("/metas/MC_Target_9.A.webp"),
'meta_9.B': convertir_logo_a_base64("/metas/MC_Target_9.B.webp"),
'meta_9.C': convertir_logo_a_base64("/metas/MC_Target_9.C.webp"),
'meta_10.1': convertir_logo_a_base64("/metas/MC_Target_10.1.webp"),
'meta_10.2': convertir_logo_a_base64("/metas/MC_Target_10.2.webp"),
'meta_10.3': convertir_logo_a_base64("/metas/MC_Target_10.3.webp"),
'meta_10.4': convertir_logo_a_base64("/metas/MC_Target_10.4.webp"),
'meta_10.5': convertir_logo_a_base64("/metas/MC_Target_10.5.webp"),
'meta_10.6': convertir_logo_a_base64("/metas/MC_Target_10.6.webp"),
'meta_10.7': convertir_logo_a_base64("/metas/MC_Target_10.7.webp"),
'meta_10.A': convertir_logo_a_base64("/metas/MC_Target_10.A.webp"),
'meta_10.B': convertir_logo_a_base64("/metas/MC_Target_10.B.webp"),
'meta_10.C': convertir_logo_a_base64("/metas/MC_Target_10.C.webp"),
'meta_11.1': convertir_logo_a_base64("/metas/MC_Target_11.1.webp"),
'meta_11.2': convertir_logo_a_base64("/metas/MC_Target_11.2.webp"),
'meta_11.3': convertir_logo_a_base64("/metas/MC_Target_11.3.webp"),
'meta_11.4': convertir_logo_a_base64("/metas/MC_Target_11.4.webp"),
'meta_11.5': convertir_logo_a_base64("/metas/MC_Target_11.5.webp"),
'meta_11.6': convertir_logo_a_base64("/metas/MC_Target_11.6.webp"),
'meta_11.7': convertir_logo_a_base64("/metas/MC_Target_11.7.webp"),
'meta_11.A': convertir_logo_a_base64("/metas/MC_Target_11.A.webp"),
'meta_11.B': convertir_logo_a_base64("/metas/MC_Target_11.B.webp"),
'meta_11.C': convertir_logo_a_base64("/metas/MC_Target_11.C.webp"),
'meta_12.1': convertir_logo_a_base64("/metas/MC_Target_12.1.webp"),
'meta_12.2': convertir_logo_a_base64("/metas/MC_Target_12.2.webp"),
'meta_12.3': convertir_logo_a_base64("/metas/MC_Target_12.3.webp"),
'meta_12.4': convertir_logo_a_base64("/metas/MC_Target_12.4.webp"),
'meta_12.5': convertir_logo_a_base64("/metas/MC_Target_12.5.webp"),
'meta_12.6': convertir_logo_a_base64("/metas/MC_Target_12.6.webp"),
'meta_12.7': convertir_logo_a_base64("/metas/MC_Target_12.7.webp"),
'meta_12.8': convertir_logo_a_base64("/metas/MC_Target_12.8.webp"),
'meta_12.A': convertir_logo_a_base64("/metas/MC_Target_12.A.webp"),
'meta_12.B': convertir_logo_a_base64("/metas/MC_Target_12.B.webp"),
'meta_12.C': convertir_logo_a_base64("/metas/MC_Target_12.C.webp"),
'meta_13.1': convertir_logo_a_base64("/metas/MC_Target_13.1.webp"),
'meta_13.2': convertir_logo_a_base64("/metas/MC_Target_13.2.webp"),
'meta_13.3': convertir_logo_a_base64("/metas/MC_Target_13.3.webp"),
'meta_13.A': convertir_logo_a_base64("/metas/MC_Target_13.A.webp"),
'meta_13.B': convertir_logo_a_base64("/metas/MC_Target_13.B.webp"),
'meta_14.1': convertir_logo_a_base64("/metas/MC_Target_14.1.webp"),
'meta_14.2': convertir_logo_a_base64("/metas/MC_Target_14.2.webp"),
'meta_14.3': convertir_logo_a_base64("/metas/MC_Target_14.3.webp"),
'meta_14.4': convertir_logo_a_base64("/metas/MC_Target_14.4.webp"),
'meta_14.5': convertir_logo_a_base64("/metas/MC_Target_14.5.webp"),
'meta_14.6': convertir_logo_a_base64("/metas/MC_Target_14.6.webp"),
'meta_14.7': convertir_logo_a_base64("/metas/MC_Target_14.7.webp"),
'meta_14.A': convertir_logo_a_base64("/metas/MC_Target_14.A.webp"),
'meta_14.B': convertir_logo_a_base64("/metas/MC_Target_14.B.webp"),
'meta_14.C': convertir_logo_a_base64("/metas/MC_Target_14.C.webp"),
'meta_15.1': convertir_logo_a_base64("/metas/MC_Target_15.1.webp"),
'meta_15.2': convertir_logo_a_base64("/metas/MC_Target_15.2.webp"),
'meta_15.3': convertir_logo_a_base64("/metas/MC_Target_15.3.webp"),
'meta_15.4': convertir_logo_a_base64("/metas/MC_Target_15.4.webp"),
'meta_15.5': convertir_logo_a_base64("/metas/MC_Target_15.5.webp"),
'meta_15.6': convertir_logo_a_base64("/metas/MC_Target_15.6.webp"),
'meta_15.7': convertir_logo_a_base64("/metas/MC_Target_15.7.webp"),
'meta_15.8': convertir_logo_a_base64("/metas/MC_Target_15.8.webp"),
'meta_15.9': convertir_logo_a_base64("/metas/MC_Target_15.9.webp"),
'meta_15.A': convertir_logo_a_base64("/metas/MC_Target_15.A.webp"),
'meta_15.B': convertir_logo_a_base64("/metas/MC_Target_15.B.webp"),
'meta_15.C': convertir_logo_a_base64("/metas/MC_Target_15.C.webp"),
'meta_16.1': convertir_logo_a_base64("/metas/MC_Target_16.1.webp"),
'meta_16.2': convertir_logo_a_base64("/metas/MC_Target_16.2.webp"),
'meta_16.3': convertir_logo_a_base64("/metas/MC_Target_16.3.webp"),
'meta_16.4': convertir_logo_a_base64("/metas/MC_Target_16.4.webp"),
'meta_16.5': convertir_logo_a_base64("/metas/MC_Target_16.5.webp"),
'meta_16.6': convertir_logo_a_base64("/metas/MC_Target_16.6.webp"),
'meta_16.7': convertir_logo_a_base64("/metas/MC_Target_16.7.webp"),
'meta_16.8': convertir_logo_a_base64("/metas/MC_Target_16.8.webp"),
'meta_16.9': convertir_logo_a_base64("/metas/MC_Target_16.9.webp"),
'meta_16.10': convertir_logo_a_base64("/metas/MC_Target_16.10.webp"),
'meta_16.A': convertir_logo_a_base64("/metas/MC_Target_16.A.webp"),
'meta_16.B': convertir_logo_a_base64("/metas/MC_Target_16.B.webp"),
'meta_17.1': convertir_logo_a_base64("/metas/MC_Target_17.1.webp"),
'meta_17.2': convertir_logo_a_base64("/metas/MC_Target_17.2.webp"),
'meta_17.3': convertir_logo_a_base64("/metas/MC_Target_17.3.webp"),
'meta_17.4': convertir_logo_a_base64("/metas/MC_Target_17.4.webp"),
'meta_17.5': convertir_logo_a_base64("/metas/MC_Target_17.5.webp"),
'meta_17.6': convertir_logo_a_base64("/metas/MC_Target_17.6.webp"),
'meta_17.7': convertir_logo_a_base64("/metas/MC_Target_17.7.webp"),
'meta_17.8': convertir_logo_a_base64("/metas/MC_Target_17.8.webp"),
'meta_17.9': convertir_logo_a_base64("/metas/MC_Target_17.9.webp"),
'meta_17.10': convertir_logo_a_base64("/metas/MC_Target_17.10.webp"),
'meta_17.11': convertir_logo_a_base64("/metas/MC_Target_17.11.webp"),
'meta_17.12': convertir_logo_a_base64("/metas/MC_Target_17.12.webp"),
'meta_17.13': convertir_logo_a_base64("/metas/MC_Target_17.13.webp"),
'meta_17.14': convertir_logo_a_base64("/metas/MC_Target_17.14.webp"),
'meta_17.15': convertir_logo_a_base64("/metas/MC_Target_17.15.webp"),
'meta_17.16': convertir_logo_a_base64("/metas/MC_Target_17.16.webp"),
'meta_17.17': convertir_logo_a_base64("/metas/MC_Target_17.17.webp"),
'meta_17.18': convertir_logo_a_base64("/metas/MC_Target_17.18.webp"),
'meta_17.19': convertir_logo_a_base64("/metas/MC_Target_17.19.webp"),
}
# Ruta al archivo de datos
# # RUTA_DATOS = '/mnt/user-data/uploads/indicadores_markdown.txt'
# RUTA_DATOS = '/content/drive/MyDrive/Compartida/06_Desarrollo de la herramienta IA/01_MPTF /archivos_trabajo/app_visualizaciones/indicadores_markdown.txt'
# # Cargar datos globalmente para toda la app
# try:
# df_global = cargar_datos(RUTA_DATOS)
DATOS_CARGADOS = True
# print(f"✓ Datos cargados: {len(df_global)} registros")
# except Exception as e:
# df_global = None
# DATOS_CARGADOS = False
# print(f"✗ Error al cargar datos: {e}")
# Estilos CSS personalizados
CUSTOM_CSS = """
.gradio-container {
font-family: 'Arial', sans-serif;
}
.explanation-box {
background-color: #E8F4F8;
padding: 20px;
border-radius: 10px;
border-left: 5px solid #2E5090;
margin: 10px 0;
}
.stats-box {
background-color: #009EDB;
padding: 15px;
border-radius: 8px;
border: 2px solid #FFD700;
margin: 10px 0;
}
.important-box {
background-color: #FFE6E6;
padding: 15px;
border-radius: 8px;
border-left: 5px solid #C00000;
margin: 10px 0;
}
h1, h2, h3 {
color: #2E5090;
}
.tab-nav button {
font-size: 16px;
padding: 10px 20px;
}
/* ESTILOS PARA HEADER CON LOGOS INSTITUCIONALES */
.header-institucional {
display: flex;
justify-content: space-between;
align-items: center;
padding: 20px 40px;
background: linear-gradient(135deg, #f8f9fa 0%, #ffffff 50%, #f8f9fa 100%);
border-bottom: 4px solid #003DA5;
margin-bottom: 25px;
box-shadow: 0 3px 10px rgba(0,0,0,0.08);
}
.logo-institucional {
height: 40px;
width: auto;
object-fit: contain;
}
.titulo-institucional {
flex: 1;
text-align: center;
padding: 0 30px;
}
.titulo-institucional h1 {
margin: 0;
color: #003DA5 !important;
font-size: 28px;
font-weight: 700;
}
.logo-ods-tbl {
height: 60px;
width: auto;
object-fit: contain;
}
@media (max-width: 768px) {
.header-institucional {
padding: 15px 20px;
flex-direction: column;
gap: 15px;
}
.logo-institucional {
height: 50px;
}
}
"""
# ============================================================================
# FUNCIONES DE CONVERSIÓN DE FIGURAS
# ============================================================================
def plotly_to_html(fig):
"""Convierte figura Plotly a HTML para mostrar en Gradio"""
return fig.to_html(include_plotlyjs='cdn', full_html=False)
def matplotlib_to_file(fig, filename):
"""Convierte figura Matplotlib a archivo temporal"""
import tempfile
import os
# Crear directorio temporal si no existe
temp_dir = tempfile.gettempdir()
filepath = os.path.join(temp_dir, filename)
# Guardar la figura
fig.savefig(filepath, format='png', dpi=150, bbox_inches='tight')
plt.close(fig)
return filepath
# ============================================================================
##### FUNCIONES DE PROCESAMIENTO DE CONSULTA MASIVA
# ============================================================================
def calcular_peso_ranking_inverso(rank, nivel):
"""
Peso decrece linealmente: Rank 1 = peso 10, Rank 10 = peso 1
"""
if nivel == 'ods':
max_rank = 17
elif nivel == 'meta':
max_rank = 169
elif nivel == 'indicador':
max_rank = 244
return max_rank - rank + 1
def calcular_corte_pareto(df_iniciativa, nivel, umbral_pareto=0.8, mass = False):
"""
Determina el top_rank usando Pareto (80/20)
Args:
df_iniciativa: DataFrame de una iniciativa con similaridad
umbral_pareto: % acumulado para corte (default 0.8 = 80%), puede ser string o float
Returns:
top_rank: Número de elementos que conforman el 80%
"""
# Convertir umbral_pareto a float si viene como string
umbral_pareto = float(umbral_pareto)
if mass:
df_init = df_iniciativa.copy()
# Ordenar por similaridad
df_sorted = df_init.sort_values(f'score', ascending=False).reset_index(drop=True)
# Se aplica calculo exponencial para acentuar y diferenciar los pesos
df_sorted[f'{nivel}_similaridad_cos_exp3'] = df_sorted[f'score'] ** 3
else:
# Ordenar por similaridad descendente
df_sorted = df_iniciativa.sort_values(f'{nivel}_similaridad_cos', ascending=False).copy()
df_sorted[f'{nivel}_similaridad_cos_exp3'] = df_sorted[f'{nivel}_similaridad_cos'] ** 3
# Normalizar la columna ods_similaridad_cos_exp3
min_val = df_sorted[f'{nivel}_similaridad_cos_exp3'].min()
max_val = df_sorted[f'{nivel}_similaridad_cos_exp3'].max()
if max_val - min_val > 0:
df_sorted[f'{nivel}_similaridad_cos_exp3_norm'] = (df_sorted[f'{nivel}_similaridad_cos_exp3'] - min_val) / (max_val - min_val)
else:
df_sorted[f'{nivel}_similaridad_cos_exp3_norm'] = 0.0 # Handle case where all values are the same
# Aplicar Ranking Inverso
df_sorted['peso'] = df_sorted[f'{nivel}_rank'].apply(lambda r: calcular_peso_ranking_inverso(r, nivel))
df_sorted['similaridad_ponderada'] = df_sorted[f'{nivel}_similaridad_cos_exp3_norm'] * df_sorted['peso']
# Calcular suma total
if mass:
total_similaridad = df_sorted[f'score'].sum()
else:
total_similaridad = df_sorted[f'{nivel}_similaridad_cos'].sum()
total_similaridad_ponderda = df_sorted['similaridad_ponderada'].sum()
# Calcular acumulado
if mass:
df_sorted['acumulado'] = df_sorted[f'score'].cumsum()
else:
df_sorted['acumulado'] = df_sorted[f'{nivel}_similaridad_cos'].cumsum()
df_sorted['porcentaje_acumulado'] = df_sorted['acumulado'] / total_similaridad
#
df_sorted['acumulado_ponderado'] = df_sorted['similaridad_ponderada'].cumsum()
df_sorted['porcentaje_acumulado_ponderado'] = df_sorted['acumulado_ponderado'] / total_similaridad_ponderda
# Encontrar punto de corte Pareto
top_rank = (df_sorted['porcentaje_acumulado_ponderado'] <= umbral_pareto).sum()
# Mínimo 3, máximo 10
top_rank = max(3, min(top_rank, 245))
return top_rank, df_sorted.head(top_rank)
# Uso por iniciativa
def aplicar_pareto_por_iniciativa(df_ods, nivel, umbral=0.8, mass = False):
"""
Aplica Pareto a cada iniciativa y marca el top
"""
resultados = []
for iniciativa_id in df_ods['INICIATIVA_ID'].unique():
df_init = df_ods[df_ods['INICIATIVA_ID'] == iniciativa_id]
top_rank, df_top = calcular_corte_pareto(df_init, nivel, umbral, mass)
# Marcar los que están en el top Pareto
df_top['en_pareto'] = True
df_top['pareto_rank'] = range(1, len(df_top) + 1)
resultados.append(df_top)
df_pareto = pd.concat(resultados, ignore_index=True)
return df_pareto
def analisis_global_con_pareto(df, #df_metas, df_indicadores,
nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.50, rank_prop=0.15, mass = False):
"""
Análisis global usando Pareto para determinar top_rank por iniciativa
Flujo:
1. Por cada iniciativa, calcula su corte Pareto
2. Solo usa esos ODS "críticos" para el análisis global
3. Aplica la estrategia de ponderación elegida
"""
# Convertir parámetros a tipos correctos
umbral_pareto = float(umbral_pareto)
# Validar que DataFrame no esté vacío
if df is None or df.empty:
return gr.update(value=pd.DataFrame()), gr.update(value=pd.DataFrame())
try:
# Paso 1: Aplicar Pareto a cada iniciativa
df_pareto = aplicar_pareto_por_iniciativa(df, nivel, umbral_pareto, mass)
print(f"📊 Análisis con Pareto (umbral {umbral_pareto*100}%):")
print(f" Total registros originales: {len(df)}")
print(f" Registros en zona Pareto: {len(df_pareto)}")
print(f" Reducción: {(1 - len(df_pareto)/len(df))*100:.1f}%")
# Paso 2: Análisis global solo con elementos Pareto
if metodo == 'ranking_inverso':
df_pareto['peso'] = 11 - df_pareto['pareto_rank']
df_pareto['score'] = df_pareto[f'{nivel}_similaridad_cos'] * df_pareto['peso']
resultado = df_pareto.groupby(f'{nivel.upper()}_ID').agg({
'score': 'sum',
'INICIATIVA_ID': 'count'
}).rename(columns={'INICIATIVA_ID': 'frecuencia'})
elif metodo == 'exponencial':
df_pareto['peso'] = df_pareto[f'{nivel}_similaridad_cos_norm'] ** 2
resultado = df_pareto.groupby(f'{nivel.upper()}_ID').agg({
'peso': 'sum',
'INICIATIVA_ID': 'count'
}).rename(columns={'INICIATIVA_ID': 'frecuencia', 'peso': 'score'})
elif metodo == 'mixto':
stats = df_pareto.groupby(f'{nivel.upper()}_ID').agg({
f'{nivel}_similaridad_cos_norm': 'mean',
'pareto_rank': 'mean',
'INICIATIVA_ID': 'count'
})
# Normalizar componentes
stats['sim_norm'] = stats[f'{nivel}_similaridad_cos_norm']
stats['rank_norm'] = 1 - (stats['pareto_rank'] - stats['pareto_rank'].min()) / (stats['pareto_rank'].max() - stats['pareto_rank'].min())
stats['freq_norm'] = stats['INICIATIVA_ID'] / stats['INICIATIVA_ID'].max()
# Score mixto
stats['score'] = (
sim_prop * stats['sim_norm'] +
rank_prop * stats['rank_norm'] +
(1 - sim_prop - rank_prop) * stats['freq_norm']
)
resultado = stats[['score', 'INICIATIVA_ID']].reset_index()
resultado = resultado.sort_values('score', ascending=False).reset_index().rename(columns={'INICIATIVA_ID': 'frecuencia',
'index': 'rank'})
resultado['rank'] = resultado.index + 1
# Crear columna ODS_ID de forma robusta para todos los niveles
if nivel == 'ods':
# Para ODS, el ID ya es el ODS_ID
resultado['ODS_ID'] = resultado['ODS_ID'].astype(str)
elif nivel == 'meta':
# Extraer ODS del META_ID (formato: "1.1", tomar el primer dígito)
def extraer_ods_de_meta(meta_id):
try:
if pd.isna(meta_id):
return None
ods_num = str(meta_id).split('.')[0].strip()
return ods_num if ods_num else None
except:
return None
resultado['ODS_ID'] = resultado['META_ID'].apply(extraer_ods_de_meta)
elif nivel == 'indicador':
# Extraer ODS del INDICADOR_ID (formato: "1.1.1", tomar el primer dígito)
def extraer_ods_de_indicador(ind_id):
try:
if pd.isna(ind_id):
return None
ods_num = str(ind_id).split('.')[0].strip()
return ods_num if ods_num else None
except:
return None
resultado['ODS_ID'] = resultado['INDICADOR_ID'].apply(extraer_ods_de_indicador)
return gr.update(value=resultado), gr.update(value=df_pareto)
except Exception as e:
print(f"Error en analisis_global_con_pareto: {str(e)}")
import traceback
traceback.print_exc()
return gr.update(value=pd.DataFrame()), gr.update(value=pd.DataFrame())
# ============================================================================
# FUNCIONES PARA CADA PESTAÑA
# ============================================================================
def tab_inicio(df_ods, df_metas, df_indicador):
# def tab_inicio():
"""Pestaña de inicio con resumen general"""
if not DATOS_CARGADOS:
return "⚠️ Error: No se pudieron cargar los datos."
# Estadísticas básicas
total_ods = df_ods['ODS_ID'].nunique()
total_metas = df_metas['META_ID'].nunique()
total_indicadores = df_indicador['INDICADOR_ID'].nunique()
sim_media = df_ods['ods_similaridad_cos_normalized'].mean()
sim_max = df_ods['ods_similaridad_cos_normalized'].max()
sim_min = df_ods['ods_similaridad_cos_normalized'].min()
correlacion = df_ods['ods_rank'].corr(df_ods['ods_similaridad_cos_normalized'])
# Top 4 ODS
top_ods = df_ods.nsmallest(4, 'ods_rank')[['ODS_ID','ods_rank','OBJETIVO','ods_similaridad_cos_normalized']]
top_ods['logo_id'] = top_ods['ODS_ID'].apply(lambda _: f"ods_{_}")
# top_ods = df_ods.groupby('ODS_ID').agg({
# 'ods_similaridad_cos_normalized': 'mean'
# }).sort_values('ods_similaridad_cos_normalized', ascending=False).head(3)[['ods_similaridad_cos_normalized']]
# Top ODS referencia
ods_ref = top_ods.ODS_ID
# Top 3 METAS
top_metas = pd.DataFrame()
for i in ods_ref:
top_metas_lcl = df_metas[df_metas.ODS_ID == i]
top_metas_lcl = top_metas_lcl.nsmallest(2, 'meta_rank')[['META_ID','meta_rank','META','meta_similaridad_cos_normalized', 'ODS_ID']]
top_metas = pd.concat([top_metas, top_metas_lcl], axis=0)
# top_metas['logo_id'] = top_metas['ODS_ID'].apply(lambda _: f"ods_{_}")
top_metas['logo_id'] = top_metas['META_ID'].apply(lambda _: f"meta_{_.upper()}")
recomendaciones_tblinput = Path('data/raw/ODS_169_metas_recomendaciones_detalladas.xlsx')
df_recomendaciones = pd.read_excel(recomendaciones_tblinput)
top_metas = top_metas.merge(df_recomendaciones[['Meta_ODS', 'Recomendaciones_territoriales']], left_on='META_ID', right_on='Meta_ODS', how='left')
# top_metas = df_metas.groupby('META_ID').agg({
# 'meta_similaridad_cos_normalized': 'mean'
# }).sort_values('meta_similaridad_cos_normalized', ascending=False).head(5)[['META_ID','META','meta_similaridad_cos_normalized']]
# Top 5 indicadores
top_indicador = pd.DataFrame()
for i in ods_ref:
top_indicador_lcl = df_indicador[df_indicador.ODS_ID == i]
top_indicador_lcl = top_indicador_lcl.nsmallest(2, 'indicador_rank')[['INDICADOR_ID', 'indicador_rank', 'INDICADOR', 'indicador_similaridad_cos_normalized', 'ODS_ID']]
top_indicador = pd.concat([top_indicador, top_indicador_lcl], axis=0)
top_indicador['logo_id'] = top_indicador['ODS_ID'].apply(lambda _: f"ods_{_}")
html = f"""
<div style="font-family: Arial, sans-serif; padding: 20px;">
<h1 style="color: #2E5090; text-align: center;">
📊 Tu texto en clave de ODS
</h1>
<h2 style="color: #4472C4; text-align: center;">
El análisis
identifica que tu texto se relaciona principalmente
con estos Objetivos de Desarrollo Sostenible ODS
</h2>
<!--
<div class="stats-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #2E5090;">📈 Estadísticas Generales</h3>
<table style="width: 100%; border-collapse: collapse;">
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Total de indicadores analizados:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{total_indicadores}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>ODS cubiertos:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{total_ods}/17 (100%)</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Similaridad promedio:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{sim_media:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Rango de similaridad:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{sim_min:.4f} - {sim_max:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Correlación Rank-Similaridad:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right; color: {'green' if correlacion < -0.7 else 'orange'};">
{correlacion:.4f} {'✅' if correlacion < -0.7 else '⚠️'}
</td>
</tr>
</table>
</div>
-->
<div class="important-box" style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #E6F7E6;">
<h3 style="color: #E6F7E6;">🏆 Top 4 ODS Más Relevantes</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(400*(row['ods_similaridad_cos_normalized']**3))}"
style="margin: 0 auto; display: block;" />
<!-- <p style="margin: 10px 0; color: #333; font-weight: bold;">{row['OBJETIVO']}</p> -->
</div>''' for _, row in top_ods.iterrows()])}
</div>
</div>
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #009EDB;">🎯 Metas Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(200*(row['meta_similaridad_cos_normalized']**3))}"
style="margin: 0 auto; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong style="color: #333;">Meta:</strong> {row['META_ID']}</p>
<!-- <p style="margin: 0; color: #666; font-size: 12px;">{row['META']}</p> -->
<!-- <p style="margin: 5px 0 0 0; color: #999; font-size: 11px;">Sim: {row['meta_similaridad_cos_normalized']:.3f}</p> -->
<!-- <p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['meta_rank']}</p> -->
<!-- <p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['Recomendaciones_territoriales']}</p> -->
</div>''' for _, row in top_metas.iterrows()])}
</div>
</div>
<!--
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #FF8C00;">🎯 Indicadores Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(200*(row['indicador_similaridad_cos_normalized']**3))}"
style="margin: 0 auto; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong style="color: #333;">Ind:</strong> {row['INDICADOR_ID']}</p>
<p style="margin: 0; color: #666; font-size: 12px;">{row['INDICADOR']}</p>
<p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Sim: {row['indicador_similaridad_cos_normalized']:.3f}</p>
<p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['indicador_rank']}</p>
</div>''' for _, row in top_indicador.iterrows()])}
</div>
</div>
-->
<div class="important-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #4472C4;">
<h3 style="color: #2E5090;">📋 Recomendaciones Territoriales por Meta</h3>
<table style="width: 100%; border-collapse: collapse; background-color: white;">
<thead>
<tr style="background-color: #2E5090; color: white;">
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090;">ODS</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090;">Meta ID</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090;">Recomendaciones Territoriales</th>
</tr>
</thead>
<tbody>
{''.join([f'''
<tr style="border-bottom: 1px solid #ddd;">
<td style="padding: 12px; text-align: center;">
<img src="{dict_logos[f'ods_{row['ODS_ID']}']}"
alt="ODS {row['ODS_ID']}"
width="50"
style="vertical-align: middle;" />
</td>
<td style="padding: 12px; font-weight: bold; color: #2E5090;">{row['META_ID']}</td>
<td style="padding: 12px; color: #333;">{row['Recomendaciones_territoriales']}</td>
</tr>''' for _, row in top_metas.iterrows()])}
</tbody>
</table>
</div>
<!--
<div style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #2E5090;">📚 Cómo usar esta aplicación</h3>
<ol style="line-height: 1.8;">
<li><strong>Explora las pestañas:</strong> Cada pestaña contiene una visualización diferente</li>
<li><strong>Lee las explicaciones:</strong> Cada gráfica incluye una guía de interpretación</li>
<li><strong>Interactúa:</strong> Las visualizaciones HTML permiten zoom, hover y exploración</li>
<li><strong>Descarga:</strong> Puedes descargar las imágenes desde las pestañas</li>
</ol>
</div>
<div style="text-align: center; margin-top: 30px; padding: 20px; background-color: #E8F4F8; border-radius: 10px;">
<p style="font-size: 18px; color: #2E5090;">
<strong>¡Comienza explorando las visualizaciones en las pestañas superiores!</strong>
</p>
<p style="color: #666;">
Recomendación: Empieza con el "Dashboard Integrado" para una vista general
</p>
</div>
-->
</div>
"""
return html
def tab_inicio_prompt(df_ods, df_metas, df_indicador):
# def tab_inicio():
"""Pestaña de inicio con resumen general"""
if not DATOS_CARGADOS:
return "⚠️ Error: No se pudieron cargar los datos."
# Estadísticas básicas
# total_ods = df_ods['ODS_ID'].nunique()
# total_metas = df_metas['META_ID'].nunique()
# total_indicadores = df_indicador['INDICADOR_ID'].nunique()
# sim_media = df_ods['ods_similaridad_cos_normalized'].mean()
# sim_max = df_ods['ods_similaridad_cos_normalized'].max()
# sim_min = df_ods['ods_similaridad_cos_normalized'].min()
# correlacion = df_ods['ods_rank'].corr(df_ods['ods_similaridad_cos_normalized'])
# Top 4 ODS
top_ods = df_ods.nsmallest(4, 'rank')[['rank', 'ODS_ID', 'score', 'frecuencia']]
top_ods['logo_id'] = top_ods['ODS_ID'].apply(lambda _: f"ods_{str(_)}")
# top_ods = df_ods.groupby('ODS_ID').agg({
# 'ods_similaridad_cos_normalized': 'mean'
# }).sort_values('ods_similaridad_cos_normalized', ascending=False).head(3)[['ods_similaridad_cos_normalized']]
# Top ODS referencia
ods_ref = top_ods.ODS_ID
# Top 3 METAS
top_metas = df_metas.nsmallest(8, 'rank')[['rank', 'META_ID', 'score', 'frecuencia']]
# top_metas = df_metas[['rank', 'META_ID', 'score', 'frecuencia']]
# for i in ods_ref:
# top_metas_lcl = df_metas[df_metas.ODS_ID == i]
# top_metas_lcl = top_metas_lcl.nsmallest(2, 'meta_rank')[['META_ID','meta_rank','META','meta_similaridad_cos_normalized', 'ODS_ID']]
# top_metas = pd.concat([top_metas, top_metas_lcl], axis=0)
# top_metas['logo_id'] = top_metas['ODS_ID'].apply(lambda _: f"ods_{_}")
top_metas['logo_id'] = top_metas['META_ID'].apply(lambda _: f"meta_{str(_).upper()}")
recomendaciones_tblinput = Path('data/raw/ODS_169_metas_recomendaciones_detalladas.xlsx')
df_recomendaciones = pd.read_excel(recomendaciones_tblinput)
top_metas = top_metas.merge(df_recomendaciones[['Meta_ODS', 'Recomendaciones_territoriales']], left_on='META_ID', right_on='Meta_ODS', how='left')
# top_metas = df_metas.groupby('META_ID').agg({
# 'meta_similaridad_cos_normalized': 'mean'
# }).sort_values('meta_similaridad_cos_normalized', ascending=False).head(5)[['META_ID','META','meta_similaridad_cos_normalized']]
# Top 5 indicadores
# top_indicador = df_metas.nsmallest(4, 'ods_rank')[['rank', 'INDICADOR_ID', 'score', 'frecuencia']]
# top_indicador['ODS_ID'] = top_indicador['INDICADOR_ID'].apply(lambda x: str(x).split('.')[0] if pd.notna(x) else None)
# top_indicador['logo_id'] = top_indicador['ODS_ID'].apply(lambda _: f"ods_{str(_)}")
html = f"""
<div style="font-family: Arial, sans-serif; padding: 20px;">
<h1 style="color: #2E5090; text-align: center;">
📊 Tu texto en clave de ODS
</h1>
<h2 style="color: #4472C4; text-align: center;">
El análisis
identifica que tu texto se relaciona principalmente
con estos Objetivos de Desarrollo Sostenible ODS
</h2>
<div class="important-box" style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #E6F7E6;">
<h3 style="color: #E6F7E6;">🏆 Top 4 ODS Más Relevantes</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(400*(row['score']))}"
style="margin: 0 auto; display: block;" />
</div>''' for _, row in top_ods.iterrows()])}
</div>
</div>
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #009EDB;">🎯 Metas Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['META_ID']}"
width="{int(200*(row['score']))}"
style="vertical-align: bottom; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong style="color: #333;">Meta:</strong> {row['META_ID']}</p>
</div>''' for _, row in top_metas.iterrows()])}
</div>
</div>
<!--
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #FF8C00;">🎯 Indicadores Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['META_ID']}"
width="{int(200*(row['score']))}"
style="margin: 0 auto; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong style="color: #333;">Ind:</strong> {row['META_ID']}</p>
<p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['rank']}</p>
</div>''' for _, row in top_metas.iterrows()])}
</div>
</div>
-->
<div class="important-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #4472C4;">
<h3 style="color: #2E5090;">📋 Acciones Territoriales asociadas a Metas ODS</h3>
<table style="width: 100%; border-collapse: collapse; background-color: white;">
<thead>
<tr style="background-color: #2E5090; color: white;">
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">META</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">Meta ID</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">Desde las metas de ODS, ¿Cuáles son las acciones asociadas con la iniciativa, problemática u oportunidad en tu territorio?</th>
</tr>
</thead>
<tbody>
{''.join([f'''
<tr style="border-bottom: 1px solid #ddd;">
<td style="padding: 12px; text-align: center;">
<img src="{dict_logos[f'meta_{row['META_ID']}']}"
alt="ODS {row['META_ID']}"
width="50"
style="vertical-align: middle;" />
</td>
<td style="padding: 12px; font-weight: bold; color: #2E5090;">{row['META_ID']}</td>
<td style="padding: 12px; color: #333;">{row['Recomendaciones_territoriales']}</td>
</tr>''' for _, row in top_metas.iterrows()])}
</tbody>
</table>
</div>
<!--
<div style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #2E5090;">📚 Cómo usar esta aplicación</h3>
<ol style="line-height: 1.8;">
<li><strong>Explora las pestañas:</strong> Cada pestaña contiene una visualización diferente</li>
<li><strong>Lee las explicaciones:</strong> Cada gráfica incluye una guía de interpretación</li>
<li><strong>Interactúa:</strong> Las visualizaciones HTML permiten zoom, hover y exploración</li>
<li><strong>Descarga:</strong> Puedes descargar las imágenes desde las pestañas</li>
</ol>
</div>
<div style="text-align: center; margin-top: 30px; padding: 20px; background-color: #E8F4F8; border-radius: 10px;">
<p style="font-size: 18px; color: #2E5090;">
<strong>¡Comienza explorando las visualizaciones en las pestañas superiores!</strong>
</p>
<p style="color: #666;">
Recomendación: Empieza con el "Dashboard Integrado" para una vista general
</p>
</div>
-->
</div>
"""
return html
def tab_inicio_mass(df_ods=None, df_metas=None, df_indicador=None):
# def tab_inicio():
"""Pestaña de inicio con resumen general"""
# Validación de entrada
if df_ods is None or df_ods.empty:
return "<p>⚠️ No hay datos ODS disponibles</p>"
if df_metas is None or df_metas.empty:
return "<p>⚠️ No hay datos de METAS disponibles</p>"
# if not DATOS_CARGADOS:
# return "⚠️ Error: No se pudieron cargar los datos."
# print('ODS columns:', df_ods.columns)
# print('METAS columns:', df_metas.columns)
# print('INDICADOR columns:', df_indicador.columns)
# Estadísticas básicas
# total_ods = df_ods['ODS_ID'].nunique()
# total_metas = df_metas['META_ID'].nunique()
# total_indicadores = df_indicador['INDICADOR_ID'].nunique()
# sim_media = df_ods['score'].mean()
# sim_max = df_ods['score'].max()
# sim_min = df_ods['score'].min()
# correlacion = df_ods['rank'].corr(df_ods['score'])
# Top 4 ODS
top_ods = df_ods.nsmallest(4, 'rank')[['ODS_ID','rank','score']]
top_ods['logo_id'] = top_ods['ODS_ID'].apply(lambda _: f"ods_{_}")
# top_ods = df_ods.groupby('ODS_ID').agg({
# 'score': 'mean'
# }).sort_values('score', ascending=False).head(3)[['score']]
# Top ODS referencia
ods_ref = top_ods.ODS_ID
# Top 3 METAS
# top_metas = pd.DataFrame()
# for i in ods_ref:
# top_metas_lcl = df_metas[df_metas['ODS_ID'] == i]
# top_metas_lcl = top_metas_lcl.nsmallest(2, 'rank')[['META_ID','rank','score','ODS_ID']]
# top_metas = pd.concat([top_metas, top_metas_lcl], axis=0)
# # top_metas['logo_id'] = top_metas['ODS_ID'].apply(lambda _: f"ods_{_}")
top_metas = df_metas.nsmallest(8, 'rank')[['META_ID','rank','score','ODS_ID']]
top_metas['logo_id'] = top_metas['META_ID'].apply(lambda _: f"meta_{_.upper()}")
# top_metas = df_metas.groupby('META_ID').agg({
# 'meta_similaridad_cos_normalized': 'mean'
# }).sort_values('meta_similaridad_cos_normalized', ascending=False).head(5)[['META_ID','META','meta_similaridad_cos_normalized']]
recomendaciones_tblinput = Path('data/raw/ODS_169_metas_recomendaciones_detalladas.xlsx')
df_recomendaciones = pd.read_excel(recomendaciones_tblinput)
top_metas = top_metas.merge(df_recomendaciones[['Meta_ODS', 'Recomendaciones_territoriales']], left_on='META_ID', right_on='Meta_ODS', how='left')
# Top 5 indicadores
top_indicador = pd.DataFrame()
if df_indicador is not None and not df_indicador.empty and 'ODS_ID' in df_indicador.columns:
for i in ods_ref:
top_indicador_lcl = df_indicador[df_indicador['ODS_ID'] == i]
if not top_indicador_lcl.empty:
# Verificar qué columnas existen en el DataFrame
cols_disponibles = [col for col in ['INDICADOR_ID', 'rank', 'score', 'ODS_ID'] if col in top_indicador_lcl.columns]
top_indicador_lcl = top_indicador_lcl.nsmallest(2, 'rank')[cols_disponibles] if 'rank' in cols_disponibles else top_indicador_lcl[cols_disponibles].head(2)
top_indicador = pd.concat([top_indicador, top_indicador_lcl], axis=0)
if not top_indicador.empty:
top_indicador['logo_id'] = top_indicador['ODS_ID'].apply(lambda _: f"ods_{_}")
else:
top_indicador = pd.DataFrame()
html = f"""
<div style="font-family: Arial, sans-serif; padding: 20px;">
<h1 style="color: #2E5090; text-align: center;">
📊 Tus textos en clave de ODS
</h1>
<h2 style="color: #4472C4; text-align: center;">
El análisis
identifica que tus textos se relacionan principalmente
con estos Objetivos de Desarrollo Sostenible ODS
</h2>
<div class="important-box" style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #E6F7E6;">
<h3 style="color: #E6F7E6;">🏆 Top 4 ODS Más Relevantes</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(400*(row['score']**3))}"
style="margin: 0 auto; display: block;" />
</div>''' for _, row in top_ods.iterrows()])}
</div>
</div>
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #333;">🎯 Metas Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(200*(row['score']**1))}"
style="margin: 0 auto; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong color="#333">Meta:</strong> {row['META_ID']}</p>
<!-- <p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Sim: {row['score']:.3f}</p> -->
<!-- <p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['rank']}</p> -->
<!-- <p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Recomendación: {row['Recomendaciones_territoriales']}</p> -->
</div>''' for _, row in top_metas.iterrows()])}
</div>
</div>
<!--
<div class="important-box" style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #FFD700;">
<h3 style="color: #FF8C00;">🎯 Indicadores Más Relevantes Por ODS Top</h3>
<div style="display: flex; flex-wrap: wrap; gap: 20px; justify-content: space-around; align-items: flex-start;">
{''.join([f'''
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="{int(100*(row['score']**3))}"
style="margin: 0 auto; display: block;" />
<p style="margin: 10px 0 5px 0; color: #333; font-size: 12px;"><strong color="#333">Ind:</strong> {row['INDICADOR_ID']}</p>
<p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Sim: {row['score']:.3f}</p>
<p style="margin: 5px 0 0 0; color: #333; font-size: 11px;">Rank: {row['rank']}</p>
</div>''' for _, row in top_indicador.iterrows()])}
</div>
</div>
-->
<div class="important-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #4472C4;">
<h3 style="color: #2E5090;">📋 Acciones Territoriales asociadas a Metas ODS</h3>
<table style="width: 100%; border-collapse: collapse; background-color: white;">
<thead>
<tr style="background-color: #2E5090; color: white;">
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">ODS</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">Meta ID</th>
<th style="padding: 12px; text-align: left; border-bottom: 2px solid #2E5090; color: white;">Desde las metas de ODS, ¿Cuáles son las acciones asociadas con la iniciativa, problemática u oportunidad en tu territorio?</th>
</tr>
</thead>
<tbody>
{''.join([f'''
<tr style="border-bottom: 1px solid #ddd;">
<td style="padding: 12px; text-align: center;">
<img src="{dict_logos[row['logo_id']]}"
alt="ODS {row['ODS_ID']}"
width="50"
style="vertical-align: middle;" />
</td>
<td style="padding: 12px; font-weight: bold; color: #2E5090;">{row['META_ID']}</td>
<td style="padding: 12px; color: #333;">{row['Recomendaciones_territoriales']}</td>
</tr>''' for _, row in top_metas.iterrows()])}
</tbody>
</table>
</div>
<!--
<div style="background-color: #F0F0F0; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #2E5090;">📚 Cómo usar esta aplicación</h3>
<ol style="line-height: 1.8;">
<li><strong>Explora las pestañas:</strong> Cada pestaña contiene una visualización diferente</li>
<li><strong>Lee las explicaciones:</strong> Cada gráfica incluye una guía de interpretación</li>
<li><strong>Interactúa:</strong> Las visualizaciones HTML permiten zoom, hover y exploración</li>
<li><strong>Descarga:</strong> Puedes descargar las imágenes desde las pestañas</li>
</ol>
</div>
<div style="text-align: center; margin-top: 30px; padding: 20px; background-color: #E8F4F8; border-radius: 10px;">
<p style="font-size: 18px; color: #2E5090;">
<strong>¡Comienza explorando las visualizaciones en las pestañas superiores!</strong>
</p>
<p style="color: #666;">
Recomendación: Empieza con el "Dashboard Integrado" para una vista general
</p>
</div>
-->
</div>
"""
return html
def tab_viz1(df_ods, df_metas, df_indicador):
# def tab_viz1():
"""Visualización 1: Box Plot por ODS"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig1 = viz_1_distribucion_por_ods(df_ods, 'ODS_ID', 'ods_similaridad_cos_normalized', 'ODS')
fig2 = viz_1_distribucion_por_ods(df_metas, 'META_ID', 'meta_similaridad_cos_normalized', 'META')
fig3 = viz_1_distribucion_por_ods(df_indicador, 'INDICADOR_ID', 'indicador_similaridad_cos_normalized', 'INDICADOR')
explicacion = """
## 📦 Diagrama de Caja por ODS
### ¿Qué muestra?
Esta visualización muestra cómo se distribuyen los valores de similaridad para cada uno de los 17 ODS.
### ¿Cómo leerlo?
- **Línea central**: Mediana (valor del medio)
- **Caja**: Rango intercuartílico (Q1 a Q3)
- **Líneas extendidas**: Valores mínimos y máximos normales
- **Puntos fuera**: Valores atípicos (outliers)
### Interpretación:
- ✅ **Cajas altas**: Mucha variación entre indicadores del ODS
- ✅ **Cajas pequeñas**: Indicadores consistentes
- ✅ **Mediana alta**: ODS muy relacionado con la iniciativa
- ✅ **Puntos aislados**: Indicadores especialmente relevantes
### 💡 Consejo:
Busca ODS con medianas altas y cajas pequeñas para identificar objetivos con indicadores consistentemente relevantes.
"""
return fig1, fig2, fig3, explicacion
def tab_viz2(df_global):
# def tab_viz2():
"""Visualización 2: Heatmap ODS × Ranking"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_2_heatmap_ods_ranking(df_global)
filepath = matplotlib_to_file(fig, 'viz2_heatmap.png')
explicacion = """
## 🔥 Mapa de Calor: ODS × Ranking
### ¿Qué muestra?
Matriz bidimensional que cruza los 17 ODS (filas) con deciles de ranking (columnas),
mostrando la similaridad promedio en cada celda.
### ¿Cómo leerlo?
- 🔴 **Colores cálidos** (rojo/naranja): Alta similaridad
- 🔵 **Colores fríos** (verde/azul): Baja similaridad
- **D1 a D10**: Desde los más relevantes (D1) hasta los menos (D10)
### Interpretación:
- ✅ **Fila roja completa**: ODS relevante en todos los rangos
- ✅ **Columna roja**: Varios ODS relevantes en esa posición
- ✅ **Diagonal descendente**: Patrón esperado (a mayor rank, menor similaridad)
- ✅ **Rojo en D1-D2**: Los ODS más críticos
### 💡 Consejo:
Identifica rápidamente qué ODS dominan en las posiciones altas del ranking.
"""
return filepath, explicacion
def tab_viz3(df_global):
# def tab_viz3():
"""Visualización 3: Scatter 3D Interactivo"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_3_scatter_3d_interactivo(df_global)
explicacion = """
## 🌐 Gráfico 3D Interactivo
### ¿Qué muestra?
Visualización tridimensional donde cada punto representa un indicador.
### Las tres dimensiones:
- **Eje X**: ODS ID (1-17)
- **Eje Y**: Número de sub-indicador
- **Eje Z**: Similaridad (altura del punto)
- **Tamaño**: Los más grandes = más relevantes
- **Color**: Cada ODS tiene su color
### Interactividad:
- 🔄 **Rotar**: Arrastra con el mouse
- 🔍 **Zoom**: Scroll o pinch
- 👆 **Hover**: Pasa el mouse sobre puntos
### Interpretación:
- ✅ **Puntos altos**: Alta similaridad
- ✅ **Clusters de color**: Grupo de indicadores relacionados
- ✅ **Puntos grandes y altos**: Los más importantes
### 💡 Consejo:
Rota el gráfico para descubrir patrones ocultos y agrupaciones de indicadores.
"""
return fig, explicacion
def tab_viz4(df, id_lvl, score, rank, titulo):
# def tab_viz4():
"""Visualización 4: Radar Chart"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_4_radar_chart_ods(df, id_lvl, score, rank, titulo)
explicacion = """
## 🕸️ Gráfico de Radar (Perfil ODS)
### ¿Qué muestra?
Gráfico circular que muestra el 'perfil ODS' de tu iniciativa con dos métricas.
### Cómo leerlo:
- 🔵 **Polígono azul**: Similaridad promedio por ODS
- 🔴 **Polígono rojo**: Similaridad máxima (mejor indicador)
- **Distancia del centro**: Mayor distancia = mayor similaridad
### Interpretación:
- ✅ **Picos hacia afuera**: ODS muy relevantes
- ✅ **Valles hacia dentro**: ODS menos relacionados
- ✅ **Forma circular**: Iniciativa equilibrada
- ✅ **Forma irregular**: Especialización en ODS específicos
- ✅ **Gap azul-rojo grande**: Indicador estrella en ese ODS
### 💡 Consejo:
Ideal para presentaciones ejecutivas. Muestra de un vistazo el perfil completo de alineación ODS.
"""
return fig, explicacion
def tab_viz5(df, id_lvl, score, rank, titulo):
# def tab_viz5():
"""Visualización 5: Sunburst"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_5_sunburst_jerarquia(df, id_lvl, score, rank, titulo)
explicacion = """
## ☀️ Diagrama de Sol (Sunburst)
### ¿Qué muestra?
Diagrama circular jerárquico mostrando ODS (centro) → Indicadores (anillo exterior).
### Cómo leerlo:
- **Tamaño del segmento**: Proporcional a la similaridad
- **Color**: Gradiente (más oscuro = mayor similaridad)
- **Nivel 1 (centro)**: Los 17 ODS
- **Nivel 2 (exterior)**: Indicadores individuales
### Interactividad:
- 👆 **Click**: Zoom en un ODS específico
- 🔍 **Hover**: Ver código y valor del indicador
### Interpretación:
- ✅ **Segmentos grandes**: Indicadores muy relevantes
- ✅ **ODS ocupa mucho espacio**: Muchos indicadores relevantes
- ✅ **Colores oscuros**: Alta similaridad
### 💡 Consejo:
Excelente para visualizar la contribución relativa de cada indicador al total.
"""
return fig, explicacion
def tab_viz6(df, id_lvl, score, rank, titulo, top_n=3):
# def tab_viz6():
"""Visualización 6: Top Indicadores por ODS"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_6_top_indicadores_por_ods(df, id_lvl, score, rank, titulo, top_n=3)
explicacion = """
## 🏆 Top 5 Indicadores por ODS
### ¿Qué muestra?
Barras horizontales con los 5 indicadores más relevantes de cada ODS.
### Cómo leerlo:
- **Longitud de barra**: Valor de similaridad
- **Primera barra**: El indicador más relevante
- **Color**: Gradiente por similaridad
- **Cada panel**: Un ODS diferente
### Interpretación:
- ✅ **Barra mucho más larga**: Indicador campeón
- ✅ **Barras parejas**: Varios indicadores igualmente relevantes
- ✅ **Comparación entre ODS**: Qué objetivo tiene mejores indicadores
### 💡 Consejo:
Perfecta para planificación estratégica. Te dice exactamente en qué indicadores enfocarte por cada ODS.
"""
return fig, explicacion
def tab_viz7(df_global):
# def tab_viz7():
"""Visualización 7: Stream Graph"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_7_streamgraph_similaridad(df_global)
explicacion = """
## 🌊 Gráfico de Flujo (Stream Graph)
### ¿Qué muestra?
Áreas apiladas que muestran cómo cambia la contribución porcentual de cada ODS
a lo largo del ranking.
### Cómo leerlo:
- **Eje horizontal**: Ranking agrupado (izq. = más relevante)
- **Eje vertical**: Porcentaje de contribución (suma 100%)
- **Ancho del color**: Porcentaje del ODS en ese rango
### Interpretación:
- ✅ **Color dominante izquierda**: ODS líder en indicadores relevantes
- ✅ **Cambio de color**: Transición de relevancia
- ✅ **Área ancha constante**: ODS presente en todo el ranking
- ✅ **Área que crece/decrece**: ODS relevante en ciertos rangos
### 💡 Consejo:
Si un ODS ocupa mucho espacio a la izquierda, domina entre los indicadores más relevantes.
"""
return fig, explicacion
def tab_viz8(df_global):
# def tab_viz8():
"""Visualización 8: Violin Plot"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_8_violin_plot_ods(df_global)
explicacion = """
## 🎻 Gráfico de Violín
### ¿Qué muestra?
Similar al diagrama de caja pero con más detalle. Muestra la 'forma' completa
de la distribución de similaridad por ODS.
### Cómo leerlo:
- **Ancho del violín**: Concentración de valores
- **Caja interior**: Mediana y cuartiles
- **Línea horizontal**: Media (promedio)
### Concepto clave:
El ancho representa la **densidad de probabilidad**: donde el violín es más ancho,
es más probable encontrar indicadores con esos valores.
### Interpretación:
- ✅ **Violín ancho en un punto**: Muchos indicadores similares
- ✅ **Dos ensanchamientos**: Dos grupos distintos
- ✅ **Violín delgado**: Pocos indicadores en ese rango
- ✅ **Forma simétrica**: Distribución equilibrada
### 💡 Consejo:
Detecta distribuciones complejas que el diagrama de caja no puede mostrar.
"""
return fig, explicacion
def tab_viz9(df_global):
# def tab_viz9():
"""Visualización 9: Dashboard Integrado"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_9_dashboard_metricas(df_global)
explicacion = """
## 📊 Dashboard Integrado (4 Paneles)
### Panel 1 (Superior Izquierdo): Top 10 Indicadores
Barras con los 10 indicadores más relevantes del análisis completo.
### Panel 2 (Superior Derecho): Estadísticas por ODS
Tabla con media, desviación estándar, mínimo, máximo y cantidad por ODS.
### Panel 3 (Inferior Izquierdo): Histograma Global
Distribución de frecuencias de todos los valores de similaridad.
### Panel 4 (Inferior Derecho): Correlación Rank-Similaridad
Scatter plot con línea de tendencia. **CRÍTICO para validación del sistema**.
### Validación:
- ✅ **Línea descendente**: Sistema funcionando correctamente
- ✅ **Correlación < -0.7**: Excelente
- ⚠️ **Correlación > -0.4**: Revisar sistema
### 💡 Consejo:
Este debe ser tu punto de partida. Vista 360° del análisis completo.
"""
return fig, explicacion
def tab_viz10(df_global):
# def tab_viz10():
"""Visualización 10: Matriz de Transición"""
if not DATOS_CARGADOS:
return None, "⚠️ Error: No se pudieron cargar los datos."
fig = viz_10_matriz_transicion(df_global)
filepath = matplotlib_to_file(fig, 'viz10_matriz_transicion.png')
explicacion = """
## 🔀 Matriz de Transición por Cuartiles
### ¿Qué muestra?
Mapa de calor que muestra el porcentaje de cada ODS presente en los 4 cuartiles del ranking.
### Cómo leerlo:
- **Filas**: Los 17 ODS
- **Columnas**: Q1 (Top 25%), Q2, Q3, Q4 (Bottom 25%)
- **Valores**: Porcentaje de presencia del ODS
- **Colores**: Naranja/rojo = alta presencia
### Interpretación:
- ✅ **Rojo intenso en Q1**: ODS crítico (domina rankings altos)
- ✅ **Colores uniformes**: ODS consistente en todo el ranking
- ✅ **Concentración en un cuartil**: ODS especializado
- ✅ **Claro en Q1, oscuro en Q4**: Más relevante en posiciones bajas
### 💡 Consejo:
Analiza la consistencia de relevancia por ODS. Alta presencia en Q1 = crítico para la iniciativa.
"""
return filepath, explicacion
def tab_viz18(df, lvl, top):
"""Visualización 18: Pivot Table Interactivo"""
# if not DATOS_RELACIONES_CARGADOS:
# return None, "⚠️ Error: No se pudieron cargar los datos de relaciones."
# Leer el HTML pre-generado
# html_path = '/mnt/user-data/outputs/pivot_table_ods_interactivo.html'
# if os.path.exists(html_path):
# with open(html_path, 'r', encoding='utf-8') as f:
# html_content = f.read()
# else:
# Si no existe, generarlo
import tempfile
from pivottablejs import pivot_ui
# from viz_pivot_table import crear_pivot_table_html
import uuid
# Crear nombre único para evitar conflictos
unique_id = str(uuid.uuid4())[:8]
# Ruta temporal compatible con HF Spaces y local
if os.path.exists('/tmp'): # Linux/HF Spaces
temp_path = f'/tmp/pivot_table_{lvl}_{str(top).replace(".","")}.html'
else: # Windows local
temp_path = os.path.join(tempfile.gettempdir(), f'pivot_table_{lvl}_{str(top).replace(".","")}.html')
pivot_ui(
df,
outfile_path=temp_path
)
print(f"✓ Pivot Table generado: {temp_path}")
with open(temp_path, 'r', encoding='utf-8') as f:
html_content = f.read()
explicacion = """
## 🔄 Tabla Dinámica Interactiva
Arrastra campos, cambia agregaciones y visualizaciones en tiempo real.
"""
return (gr.update(value=html_content), gr.update(value=explicacion), gr.update(value=temp_path))
def tab_viz19(df_ods_rel, df_metas_rel, df_indicadores_rel):
"""Visualización 19: Resumen en Tags"""
# if not DATOS_RELACIONES_CARGADOS:
# return "⚠️ Error: No se pudieron cargar los datos de relaciones.", ""
html1, html2, html3 = viz_19_resumen_tags(df_ods_rel, df_metas_rel, df_indicadores_rel)
explicacion = """
## 📊 Resumen de Análisis en Tags
### ¿Qué muestra?
Métricas clave del análisis presentadas en formato visual de tags/badges.
### Métricas incluidas:
- **Iniciativas**: Total de iniciativas analizadas
- **Promedios**: ODS, Metas e Indicadores promedio por iniciativa
- **Más frecuentes**: Elementos que aparecen más veces en el análisis
### 💡 Interpretación:
- **Promedios altos**: Iniciativas con enfoque amplio en múltiples ODS
- **Elementos frecuentes**: ODS/Metas/Indicadores prioritarios en el conjunto
"""
return html1, html2, html3, explicacion
def tab_viz20(df, nivel, nivel_pareto, mass = False ,iniciativa_id=None):
"""Visualización 20: Diagrama de Pareto"""
# if not DATOS_RELACIONES_CARGADOS:
# return None, ""
# Seleccionar primera iniciativa
# iniciativa_id = df['INICIATIVA_ID'].iloc[0]
fig, corte_80 = viz_20_pareto_ods(df, nivel, nivel_pareto, mass, iniciativa_id)
explicacion = f"""
## 📊 Diagrama de Pareto {nivel.upper()} Global
### ¿Qué muestra?
Identifica los **{corte_80} {nivel.upper()} más críticos** que representan el **{nivel_pareto * 100}%**
del valor total de aproximación semántica.
### Interpretación:
- **Barras azules**: Aproximación semántica individual de cada {nivel.upper()}
- **Línea roja**: Porcentaje acumulado
- **Zona verde**: Top {corte_80} {nivel.upper()} críticos (regla de Pareto)
- **Línea punteada**: Umbral {nivel_pareto * 100}%
### 💡 Uso:
Estos **{corte_80} {nivel.upper()}** deberían ser tu enfoque prioritario,
ya que concentran la mayor parte del valor.
### Principio de Pareto:
El 80% de los resultados proviene del 20% de las causas.
En este caso aplicamos un criterio de Pareto ADAPTATIVO: {corte_80} {nivel.upper()} generan el {nivel_pareto * 100}% de la aproximación semántica total.
"""
return fig, explicacion
def tab_viz21(df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop=0.75, rank_prop=0.20):
"""Visualización 21: Ranking ODS Masivo"""
# Validar entrada
if df is None or df.empty:
return None, "No hay datos para visualizar"
try:
resultado = df.copy()
if nivel == 'meta':
desc_metas = Path('data/raw/tabla_lvlMetaOds.xlsx')
df_descmetas = pd.read_excel(desc_metas)
df_descmetas['ID_META'] = df_descmetas['ID_META'].apply(lambda _: str(_).upper())
resultado = resultado.merge(df_descmetas[['ID_META', 'OBJETIVO', 'META']], left_on='META_ID', right_on='ID_META', how='left')
elif nivel == 'ods':
desc_metas = Path('data/raw/tabla_lvlMetaOds.xlsx')
df_descmetas = pd.read_excel(desc_metas)
df_descmetas['ID_OBJETIVO'] = df_descmetas['ID_OBJETIVO'].apply(lambda _: str(_).upper())
df_descmetas = df_descmetas[['ID_OBJETIVO', 'OBJETIVO']].drop_duplicates()
resultado = resultado.merge(df_descmetas, left_on='ODS_ID', right_on='ID_OBJETIVO', how='left')
fig = viz_21_ranking_mixto_masivo(resultado, nivel)
explicacion = f"""## 🏆 Ranking Global de ODS - Análisis Masivo
### ¿Qué muestra?
Resultado de aplicar **estrategia mixta ponderada** a iniciativas prioritarias.
### Componentes del Score:
- Ranking promedio (posición)
- Frecuencia de aparición
### Interpretación:
- **Barras largas**: {nivel} con mayor score global
- **Color verde**: Scores más altos
- **Color azul**: Scores intermedios
- **Círculos grandes**: {nivel} que aparecen en más iniciativas
### Top 3 ODS:
{chr(10).join([f'- **{nivel} {row[f"{nivel.upper()}_ID"]}**: Score {row["score"]:.4f} ({int(row["frecuencia"])} iniciativas)'
for _, row in resultado.head(3).iterrows()] if len(resultado) > 0 else ['Sin datos'])}
### 💡 Uso:
Est@s {nivel} son los **prioritarios a nivel agregado** considerando
relevancia, posición y prevalencia en el grupo de textos analizados.
"""
return fig, explicacion
except Exception as e:
print(f"Error en tab_viz21: {str(e)}")
import traceback
traceback.print_exc()
return None, f"Error en visualización: {str(e)}"
def tab_viz22(w_sim, w_rank):
"""Visualización 22: Composición Score Mixto"""
# Pesos de la estrategia mixta
# w_sim = 0.5
# w_rank = 0.3
# w_freq = 0.2
fig = viz_22_composicion_score_mixto(w_sim, w_rank, 1 - (w_sim + w_rank))
explicacion = f"""
## ⚖️ Composición del Score Mixto
### ¿Qué muestra?
La distribución porcentual de los 3 componentes que conforman el score.
### Componentes:
**1. Similaridad ({w_sim*100:.0f}%)**
- Qué mide: Relevancia semántica promedio
- Cálculo: Promedio de similaridad coseno normalizada
- Peso: Mayor componente (calidad del match)
**2. Ranking ({w_rank*100:.0f}%)**
- Qué mide: Posición promedio en las iniciativas
- Cálculo: Promedio de rankings invertido y normalizado
- Peso: Segundo componente (importancia relativa)
**3. Frecuencia ({(1 - (w_sim + w_rank))*100:.0f}%)**
- Qué mide: Prevalencia en el lote
- Cálculo: Cantidad de iniciativas donde aparece
- Peso: Menor componente (consistencia)
### 📐 Fórmula:
Score = {w_sim} × Similaridad + {w_rank} × Ranking + {1 - (w_sim + w_rank)} × Frecuencia
### 💡 Justificación de Pesos:
- **Similaridad dominante**: La calidad del match es lo más importante
- **Ranking secundario**: La posición importa, pero menos que la similaridad
- **Frecuencia terciaria**: Aparecer en muchas iniciativas suma, pero no define
### 🔧 Personalización:
Estos pesos pueden ajustarse según prioridades:
- ¿Más importancia a frecuencia? → Aumentar w_freq a 0.3-0.4
- ¿Solo calidad del match? → Aumentar w_sim a 0.6-0.7
"""
return fig, explicacion
def tab_viz24():
"""Visualización 24: Header ConectaODS"""
# Buscar logo en diferentes ubicaciones posibles
posibles_logos = [
'/mnt/user-data/uploads/logo_conecta_ods.png',
'logos/conecta_ods.png',
'assets/logo.png',
None # Fallback a placeholder
]
logo_path = None
for ruta in posibles_logos:
if ruta and os.path.exists(ruta):
logo_path = ruta
break
html = viz_24_header_conecta_ods(logo_path)
explicacion = """
## 🎨 Header ConectaODS
### Componente de Presentación
Este es el header principal de la aplicación que incluye:
✅ **Logo** de ConectaODS (o placeholder si no se carga)
✅ **Título** con versión
✅ **Eslogan** distintivo
✅ **Descripción** de la herramienta
✅ **Badges** informativos (17 ODS, 169 Metas, 244+ Indicadores)
✅ **Créditos** institucionales
### 💡 Personalización:
Para usar tu propio logo:
1. Sube la imagen a `/mnt/user-data/uploads/logo_conecta_ods.png`
2. O colócala en `logos/conecta_ods.png`
3. Regenera la visualización
El componente se adapta automáticamente con o sin logo.
"""
return html #, explicacion
def tab_viz23(df_texto, columna, max_palabras=100):
"""Visualización 23: Nube de Palabras - Paloma de Paz"""
# if not DATOS_RELACIONES_CARGADOS:
# return None, ""
# try:
# # Seleccionar columna con más texto
# # Probar primero con descripciones de ODS, luego metas, luego indicadores
# if 'OBJETIVO' in df_ods_rel.columns and df_ods_rel['OBJETIVO'].notna().sum() > 0:
# df_texto = df_ods_rel
# columna = 'OBJETIVO'
# tipo = 'Objetivos (ODS)'
# elif 'META' in df_metas_rel.columns and df_metas_rel['META'].notna().sum() > 0:
# df_texto = df_metas_rel
# columna = 'META'
# tipo = 'Metas'
# elif 'INDICADOR' in df_indicadores_rel.columns and df_indicadores_rel['INDICADOR'].notna().sum() > 0:
# df_texto = df_indicadores_rel
# columna = 'INDICADOR'
# tipo = 'Indicadores'
# else:
# return None, "⚠️ No se encontraron columnas de texto para analizar."
# Generar nube de palabras
# filepath = viz_23_nube_palabras_paloma(df_texto, columna, max_palabras=100)
# Si falla, intentar versión simple
# if not os.path.exists(filepath):
filepath = viz_23_nube_palabras_simple(df_texto, columna, max_palabras=100)
explicacion = f"""
## 🕊️ Nube de Palabras - Paloma de Paz
### ¿Qué muestra?
Las **palabras más frecuentes** encontradas en el documento
### Interpretación:
- **Tamaño grande**: Palabras que aparecen con más frecuencia
- **Tamaño pequeño**: Palabras menos frecuentes
- **Posición**: Aleatoria dentro de la forma de paloma
### 🔍 Análisis:
- Total de registros analizados: {len(df_texto)}
- Palabras únicas mostradas: ~100
- Stopwords excluidas: sí (artículos, preposiciones, etc.)
### 💡 Uso:
Identifica rápidamente los **temas centrales** y **conceptos clave**
que dominan el conjunto de textos analizados.
### 🎨 Simbología:
La paloma de paz representa el espíritu de los Objetivos de Desarrollo
Sostenible: paz, bienestar y desarrollo para todos.
"""
return filepath, explicacion
def tab_estadisticas(df_global):
# def tab_estadisticas():
"""Pestaña con análisis estadístico detallado"""
if not DATOS_CARGADOS:
return "⚠️ Error: No se pudieron cargar los datos."
# Estadísticas globales
stats = df_global['similaridad_cos'].describe()
correlacion = df_global['rank'].corr(df_global['similaridad_cos'])
# Por ODS
stats_ods = df_global.groupby('ods_id')['similaridad_cos'].agg([
('count', 'count'),
('mean', 'mean'),
('std', 'std'),
('min', 'min'),
('max', 'max')
]).round(4)
# Top 50
top_50_ods = df_global.nsmallest(50, 'rank')['ods_id'].value_counts()
html = f"""
<div style="font-family: Arial, sans-serif; padding: 20px;">
<h1 style="color: #2E5090;">📈 Análisis Estadístico Detallado</h1>
<div class="stats-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h2 style="color: #2E5090;">1. Estadísticas Globales</h2>
<table style="width: 100%; border-collapse: collapse;">
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Cantidad de datos:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['count']:.0f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Media:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['mean']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Desviación Estándar:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['std']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Mínimo:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['min']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Q1 (Percentil 25):</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['25%']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Mediana (Q2):</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['50%']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Q3 (Percentil 75):</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['75%']:.4f}</td>
</tr>
<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>Máximo:</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{stats['max']:.4f}</td>
</tr>
</table>
</div>
<div class="explanation-box" style="background-color: #{'E6F7E6' if correlacion < -0.7 else 'FFF9E6'}; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #{'E6F7E6' if correlacion < -0.7 else 'FFD700'};">
<h2 style="color: #{'E6F7E6' if correlacion < -0.7 else 'FF8C00'};">2. Validación del Sistema</h2>
<p style="font-size: 18px;"><strong>Correlación Rank vs Similaridad:</strong> {correlacion:.4f}</p>
<p><strong>Interpretación:</strong>
{
"✅ Excelente - Sistema de ranking muy confiable" if correlacion < -0.9 else
"✅ Muy bueno - Sistema de ranking confiable" if correlacion < -0.7 else
"⚠️ Aceptable - Sistema funciona pero puede mejorarse" if correlacion < -0.4 else
"❌ Problema - Revisar cálculo de similaridad o ranking"
}
</p>
<p><em>Una correlación negativa fuerte indica que a mayor ranking (menos relevante), menor es la similaridad, lo cual es el comportamiento esperado.</em></p>
</div>
<div class="stats-box" style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h2 style="color: #2E5090;">3. Estadísticas por ODS</h2>
<table style="width: 100%; border-collapse: collapse; font-size: 14px;">
<thead>
<tr style="background-color: #FFD700;">
<th style="padding: 10px; text-align: left;">ODS</th>
<th style="padding: 10px; text-align: right;">Count</th>
<th style="padding: 10px; text-align: right;">Media</th>
<th style="padding: 10px; text-align: right;">Std</th>
<th style="padding: 10px; text-align: right;">Min</th>
<th style="padding: 10px; text-align: right;">Max</th>
</tr>
</thead>
<tbody>
{''.join([f'''<tr>
<td style="padding: 8px; border-bottom: 1px solid #ddd;"><strong>ODS {idx}</strong></td>
<td style="padding: 8px; border-bottom: 1px solid #ddd; text-align: right;">{int(row['count'])}</td>
<td style="padding: 8px; border-bottom: 1px solid #ddd; text-align: right;">{row['mean']:.4f}</td>
<td style="padding: 8px; border-bottom: 1px solid #ddd; text-align: right;">{row['std']:.4f}</td>
<td style="padding: 8px; border-bottom: 1px solid #ddd; text-align: right;">{row['min']:.4f}</td>
<td style="padding: 8px; border-bottom: 1px solid #ddd; text-align: right;">{row['max']:.4f}</td>
</tr>''' for idx, row in stats_ods.iterrows()])}
</tbody>
</table>
</div>
<div class="explanation-box" style="background-color: #E8F4F8; padding: 20px; border-radius: 10px; margin: 20px 0; border-left: 5px solid #2E5090;">
<h2 style="color: #2E5090;">4. ODS Más Representados en Top 50</h2>
<table style="width: 100%; border-collapse: collapse;">
<thead>
<tr style="background-color: #4472C4; color: white;">
<th style="padding: 10px; text-align: left;">ODS</th>
<th style="padding: 10px; text-align: right;">Cantidad</th>
<th style="padding: 10px; text-align: right;">Porcentaje</th>
</tr>
</thead>
<tbody>
{''.join([f'''<tr>
<td style="padding: 10px; border-bottom: 1px solid #ddd;"><strong>ODS {idx}</strong></td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{count}</td>
<td style="padding: 10px; border-bottom: 1px solid #ddd; text-align: right;">{count/50*100:.1f}%</td>
</tr>''' for idx, count in top_50_ods.head(10).items()])}
</tbody>
</table>
</div>
</div>
"""
return html
# ============================================================================
# CONSTRUCCIÓN DE LA APLICACIÓN GRADIO
# ============================================================================
def crear_app():
"""Crea y configura la aplicación Gradio completa"""
from src.embeddings.llm_clasificador_HF_gem import procesar_lote_llm
with gr.Blocks(
title="Sistema de Visualización ODS",
# theme=gr.themes.Soft(
# primary_hue="indigo",
# secondary_hue="orange",
# neutral_hue="slate"
# ),
theme=gr.themes.Default(),
css=CUSTOM_CSS
) as app:
gr.HTML(f"""
<div class="header-institucional">
<div style="flex: 0 0 auto;">
<img src="{dict_logos['gobierno']}"
alt="Gobierno de Colombia"
class="logo-institucional">
</div>
<div class="titulo-institucional">
<h1></h1>
<p> </p>
</div>
<div style="flex: 0 0 auto;">
<img src="{dict_logos['fondo_un']}"
alt="Fondo Multidonante de las Naciones Unidas"
class="logo-institucional">
</div>
</div>
""")
# Encabezado principal
with gr.Row():
with gr.Column(scale=1):
gr.HTML(f"""
<div style="display: flex; flex-direction: column; align-items: center; text-align: center; flex: 1; min-width: 150px;">
<img src="{dict_logos['logo_conectaods']}"
alt="Logo conectaODS"
width="{int(200)}"
style="margin: 0 auto; display: block;" />
</div>
""")
with gr.Column(scale=3):
# gr.Markdown(f"""
# # ConectaODS: Tu voz en clave de desarrollo sostenible
# ### Explorador Interactivo
# *ConectaODS es una herramienta basada en inteligencia artificial que traduce
# relatos de iniciativas asociadas a problematicas y oportunidades a nivel territorial en lenguaje de Objetivos de Desarrollo Soistenible - ODS*
# """)
gr.HTML(f"""
<style>
.conectaods-header {{
padding: 30px 20px;
text-align: left;
}}
.conectaods-main-title {{
font-size: 2.5em;
font-weight: 700;
color: #1a1a1a;
margin: 15px 0;
line-height: 1.3;
letter-spacing: -0.5px;
}}
.conectaods-subtitle {{
font-size: 1.5em;
font-weight: 500;
color: #2E5090;
margin: 12px 0 20px 0;
letter-spacing: 0.5px;
}}
.conectaods-description {{
font-size: 1.15em;
color: #555;
line-height: 1.6;
font-style: italic;
margin: 15px 0;
max-width: 600px;
margin-left: auto;
margin-right: auto;
}}
@media (max-width: 768px) {{
.conectaods-main-title {{
font-size: 2em;
}}
.conectaods-subtitle {{
font-size: 1.2em;
}}
.conectaods-description {{
font-size: 1em;
}}
}}
</style>
<div class="conectaods-header">
<h1 class="conectaods-main-title">ConectaODS: Tu voz en clave de desarrollo sostenible</h1>
<h2 class="conectaods-subtitle">Explorador Interactivo</h2>
<p class="conectaods-description">
ConectaODS es una herramienta basada en inteligencia artificial que traduce
relatos de iniciativas asociadas a problematicas y oportunidades a nivel territorial en lenguaje de Objetivos de Desarrollo Soistenible - ODS
</p>
</div>
""")
# Pestañas principales
with gr.Tabs():
def ver_radio(df):
return True
# PESTAÑA: CONSULTA
with gr.Tab("CONSULTA INDIVIDUAL PROMPT"):
# txt_ods = gr.Textbox(value="ods", visible=False)
# txt_meta = gr.Textbox(value="meta", visible=False)
# txt_indicador = gr.Textbox(value="indicador", visible=False)
with gr.Column():
gr.Markdown(f"""
### Cuéntanos una iniciativa de solución asociada a una problemática u oportunidad de tu territorio.
*La herramienta analizará el texto y mostrará con qué Objetivos y de Desarrollo Sostenible (ODS) y metas se relaciona,
facilitando la comprensión y la priorización de acciones para respuesta de transformación integral.*
""")
query_in_prt = gr.Textbox(lines=5, placeholder="Escribe aquí tu consulta...", label="Iniciativa a analizar")
lst_query_in_prt = gr.State() #gr.Textbox(value="[]", visible=False)
def add_query_list(query):
return gr.update(value=[query])
query_in_prt.change(
fn = add_query_list,
inputs = query_in_prt,
outputs = lst_query_in_prt)
query_out_prt = gr.Textbox(lines=5, label="Texto ajustado para lenguaje natural", visible=False)
txt_municipio = gr.Textbox(lines=1, value="Municipio de consulta ...", label="Municipio", interactive=True)
btn_prt = gr.Button(value="Analizar texto en lenguaje de ODS")
msj_procesamiento_prt = gr.Textbox(value="... preparando análisis de iniciativa.", label='' , visible=True)
with gr.Tab("🔍 Resultado"):
with gr.Row(visible=False):
ods_prt = gr.Dataframe( label="ODS")#, buttons=["fullscreen"])
meta_prt = gr.Dataframe( label="METAS")#, buttons=["fullscreen"])
indicador_prt = gr.Dataframe( label="INDICADORES")#, buttons=["fullscreen"])
html_inicio_ods_prt = gr.HTML() #tab_inicio(ods.value)
#### Actualizando resultados iniciales
ods_prt.change(
fn=tab_inicio_prompt,
inputs=[ods_prt,meta_prt,indicador_prt],
outputs=[html_inicio_ods_prt]
)
meta_prt.change(
fn=tab_inicio_prompt,
inputs=[ods_prt,meta_prt,indicador_prt],
outputs=[html_inicio_ods_prt]
)
indicador_prt.change(
fn=tab_inicio_prompt,
inputs=[ods_prt,meta_prt,indicador_prt],
outputs=[html_inicio_ods_prt]
)
# Función wrapper para convertir string a lista
def procesar_consulta(query_text):
"""Convierte el texto de consulta en una lista y llama a procesar_lote"""
if not query_text or not query_text.strip():
return pd.DataFrame(), pd.DataFrame(), pd.DataFrame()
# Pasar como lista con un único elemento
return procesar_lote_llm([query_text.strip()])
with gr.Tab("Resultados por ODS - Metas"):
with gr.Row():
with gr.Tab("🏆 Ranking Masivo ODS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_ods_ind = gr.Plot(label="Ranking Global ODS")
with gr.Column(scale=1):
exp_mass_ods_ind = gr.Markdown()
with gr.Tab('Tabla score ODS'):
output_ods_mass_mix_ind = gr.Dataframe(label="Resultados del análisis masivo ODS")
with gr.Row():
with gr.Tab("🏆 Ranking Masivo METAS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_metas_ind = gr.Plot(label="Ranking Global METAS")
with gr.Column(scale=1):
exp_mass_metas_ind = gr.Markdown()
with gr.Tab('Tabla score METAS'):
output_meta_mass_mix_ind = gr.Dataframe(label="Resultados del análisis masivo METAS")
with gr.Row(visible=False):
with gr.Tab("🏆 Ranking Masivo INDICADORES"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_indicadores_ind = gr.Plot(label="Ranking Global INDICADORES")
with gr.Column(scale=1):
exp_mass_indicadores_ind = gr.Markdown()
with gr.Tab('Tabla score INDICADORES'):
output_indicadores_mass_mix_ind = gr.Dataframe(label="Resultados del análisis masivo INDICADORES")
## logicas de actualizaciones
with gr.Row(visible=False):
ods_prt.change(
fn=tab_viz21,
inputs=[ods_prt, gr.State('ods')],
outputs=[plot_mass_ods_ind, exp_mass_ods_ind]
)
meta_prt.change(
fn=tab_viz21,
inputs=[meta_prt, gr.State('meta')],
outputs=[plot_mass_metas_ind, exp_mass_metas_ind]
)
indicador_prt.change(
fn=tab_viz21,
inputs=[indicador_prt, gr.State('indicador')],
outputs=[plot_mass_indicadores_ind, exp_mass_indicadores_ind]
)
btn_prt.click(procesar_consulta, query_in_prt, [ods_prt,meta_prt,indicador_prt,msj_procesamiento_prt], show_progress=True)
btn_prt.click(procesar_consulta, query_in_prt, [output_ods_mass_mix_ind,output_meta_mass_mix_ind,output_indicadores_mass_mix_ind,msj_procesamiento_prt], show_progress=True)
txt_fecha = gr.Textbox(value="Fecha de consulta: ", interactive=False, show_label=False)
ods_prt.change(fn= actualizar_fecha, inputs=[], outputs=txt_fecha)
# btn_prt.click(procesar_lote, query_in_prt, [ods_prt,meta_prt,indicador_prt], show_progress=True)
with gr.Tab("CONSULTA INDIVIDUAL", visible=False):
txt_ods = gr.Textbox(value="ods", visible=False)
txt_meta = gr.Textbox(value="meta", visible=False)
txt_indicador = gr.Textbox(value="indicador", visible=False)
with gr.Column():
gr.Markdown(f"""
### Cuéntanos una iniciativa, problema o propuesta de tu territorio.
*La herramienta analizará el texto y mostrará con qué
Objetivos de Desarrollo Sostenible (ODS) se
relaciona.*
""")
query_in = gr.Textbox(lines=5, placeholder="Escribe aquí tu consulta...", label="Iniciativa a analizar")
query_out = gr.Textbox(lines=5, label="Texto ajustado para lenguaje natural", visible=False)
btn = gr.Button(value="Analizar mi iniciativa")
msj_procesamiento = gr.Textbox(value="... preparando análisis de iniciativa.", visible=True)
with gr.Tab("🔍 Resultado"):
with gr.Row():
ods = gr.Dataframe( label="ODS", visible=False)#, buttons=["fullscreen"])
meta = gr.Dataframe( label="METAS", visible=False)#, buttons=["fullscreen"])
indicador = gr.Dataframe( label="INDICADORES", visible=False)#, buttons=["fullscreen"])
html_inicio_ods = gr.HTML() #tab_inicio(ods.value)
# with gr.Row():
# html_pareto_ods = gr.HTML() #tab_viz20(df_global)
# html_pareto_meta = gr.HTML()
# html_pareto_indicador = gr.HTML()
# PESTAÑA 20: DIAGRAMA DE PARETO
with gr.Tab("📊 Priorización con Pareto", visible=False):
gr.HTML("""
<div style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #F0F0F0;">📊 Diagrama de Pareto (Regla 80/20)</h3>
<ol style="line-height: 1.8;">
<li><strong>CRITERIO:</strong> Aplicamos un criterio de Pareto ADAPTATIVO calibrado para contextos de clasificación multinivel,
donde el umbral se ajusta según la distribución empírica de similaridad y la granularidad requerida para toma de decisiones.</li>
<li><strong>Marcos globales:</strong> (UNDP, VNR, EU SDG Strategy) recomiendan 3-5 ODS
prioritarios por ciclo de implementación.</li>
<li><strong>Interactúa:</strong> Las visualizaciones son dinámicas y permiten exploración</li>
</ol>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
plotOds = gr.Plot(label="Diagrama de Pareto ODS")
with gr.Column(scale=1):
slider_ods_pareto = gr.Slider(0.1, 1.0, step=0.1, value=0.7,interactive=True, label="Top ODS")
expOds = gr.Markdown()
with gr.Row():
with gr.Column(scale=2):
plotMeta = gr.Plot(label="Diagrama de Pareto Metas")
with gr.Column(scale=1):
slider_meta_pareto = gr.Slider(0.1, 1.0, step=0.1, value=0.7, interactive=True, label="Top Metas")
expMeta = gr.Markdown()
with gr.Row():
with gr.Column(scale=2):
plotIndicador = gr.Plot(label="Diagrama de Pareto Indicadores")
with gr.Column(scale=1):
slider_indicador_pareto = gr.Slider(0.1, 1.0, step=0.1, value=0.7, interactive=True, label="Top Indicadores")
expIndicador = gr.Markdown()
# btn0_i = gr.Button("🔄 Traducción a ODS", variant="primary")
### Actualizando resultados iniciales
ods.change(
fn=tab_inicio,
inputs=[ods,meta,indicador],
outputs=[html_inicio_ods]
)
meta.change(
fn=tab_inicio,
inputs=[ods,meta,indicador],
outputs=[html_inicio_ods]
)
indicador.change(
fn=tab_inicio,
inputs=[ods,meta,indicador],
outputs=[html_inicio_ods]
)
### Actualizando análisis de Pareto
ods.change(
fn=tab_viz20,
inputs=[ods, gr.State('ods'), gr.State(0.7), gr.State(False), gr.State('individual')],
outputs=[plotOds, expOds]
)
meta.change(
fn=tab_viz20,
inputs=[meta, gr.State('meta'), gr.State(0.7), gr.State(False), gr.State('individual')],
outputs=[plotMeta, expMeta]
)
indicador.change(
fn=tab_viz20,
inputs=[indicador, gr.State('indicador'), gr.State(0.7), gr.State(False), gr.State('individual')],
outputs=[plotIndicador, expIndicador]
)
### Actualizando nivel de pareto
slider_ods_pareto.change(
fn=tab_viz20,
inputs=[ods, gr.State('ods'), slider_ods_pareto, gr.State(False), gr.State('individual')],
outputs=[plotOds, expOds]
)
slider_meta_pareto.change(
fn=tab_viz20,
inputs=[meta, gr.State('meta'), slider_meta_pareto, gr.State(False), gr.State('individual')],
outputs=[plotMeta, expMeta]
)
slider_indicador_pareto.change(
fn=tab_viz20,
inputs=[indicador, gr.State('indicador'), slider_indicador_pareto, gr.State(False), gr.State('individual')],
outputs=[plotIndicador, expIndicador]
)
with gr.Tab("📋 Tablas Detalladas"):
es_visible = gr.State(value=False)
with gr.Row(visible=es_visible):
slider_ods = gr.Slider(1, 5, step=1, value=3,interactive=True, label="Top ODS")
slider_meta = gr.Slider(1, 5, step=1, value=3, interactive=True, label="Top Metas")
slider_indicador = gr.Slider(1, 5, step=1, value=3, interactive=True, label="Top Indicadores")
def len_dfs(df):
return gr.update(maximum=len(df))
ods.change(fn=len_dfs,
inputs=[ods],
outputs=[slider_ods], api_name="ods")
meta.change(fn=len_dfs,
inputs=[meta],
outputs=[slider_meta], api_name="ods")
indicador.change(fn=len_dfs,
inputs=[indicador],
outputs=[slider_indicador], api_name="ods")
with gr.Row():
df_ods_filtrado = gr.Dataframe(label="ODS Filtrados")
df_meta_filtrado = gr.Dataframe(label="METAS Filtradas")
df_indicador_filtrado = gr.Dataframe(label="INDICADORES Filtrados")
with gr.Row():
slider_ods.release(fn=lambda df, n: df[df[f'ods_rank'] <= n][['ods_rank','ODS_ID','OBJETIVO']] if df is not None else None,
inputs=[ods, slider_ods],
outputs=[df_ods_filtrado], api_name="ods")
slider_meta.release(fn=lambda df, n: df[df[f'meta_rank'] <= n][['meta_rank','META_ID','META']] if df is not None else None,
inputs=[meta, slider_meta],
outputs=[df_meta_filtrado], api_name="ods")
slider_indicador.release(fn=lambda df, n: df[df[f'indicador_rank'] <= n][['indicador_rank','INDICADOR_ID','INDICADOR']] if df is not None else None,
inputs=[indicador, slider_indicador],
outputs=[df_indicador_filtrado], api_name="ods")
# with gr.Row():
# genero = gr.Dataframe( label="Enfoque de genero")
# poblacional = gr.Dataframe( label="Enfoque poblacional")
# etnico = gr.Dataframe( label="Enfoque étnico")
# with gr.Row():
# pilar = gr.Dataframe( label="Pilares")
# estrategia = gr.Dataframe( label="Estrategias")
# categoria = gr.Dataframe( label="Categorias")
with gr.Row(visible=False):
bdl_ods = gr.Dataframe(value=pd.DataFrame(), label="BDL_ODS")
# with gr.Row():
# ods_plot = gr.ScatterPlot(
# value=pd.DataFrame(),
# x="ODS_ID",
# y="ods_rank",
# sort="-y",
# label="Gráfico de Barras ODS",
# # color="cuisine",
# # x_bin=1,
# color_map={
# "1": "#E5243B", # Red - ODS 1: Fin de la Pobreza
# "2": "#DDA63A", # Mustard - ODS 2: Hambre Cero
# "3": "#4C9F38", # Kelly Green - ODS 3: Salud y Bienestar
# "4": "#C5192D", # Dark Red - ODS 4: Educación de Calidad
# "5": "#FF3A21", # Red Orange - ODS 5: Igualdad de Género
# "6": "#26BDE2", # Bright Blue - ODS 6: Agua Limpia y Saneamiento
# "7": "#FCC30B", # Yellow - ODS 7: Energía Asequible y No Contaminante
# "8": "#A21942", # Burgundy Red - ODS 8: Trabajo Decente y Crecimiento Económico
# "9": "#FD6925", # Orange - ODS 9: Industria, Innovación e Infraestructura
# "10": "#DD1367", # Magenta - ODS 10: Reducción de las Desigualdades
# "11": "#FD9D24", # Golden Yellow - ODS 11: Ciudades y Comunidades Sostenibles
# "12": "#BF8B2E", # Dark Mustard - ODS 12: Producción y Consumo Responsables
# "13": "#3F7E44", # Dark Green - ODS 13: Acción por el Clima
# "14": "#0A97D9", # Blue - ODS 14: Vida Submarina
# "15": "#56C02B", # Lime Green - ODS 15: Vida de Ecosistemas Terrestres
# "16": "#00689D", # Royal Blue - ODS 16: Paz, Justicia e Instituciones Sólidas
# "17": "#19486A", # Navy Blue - ODS 17: Alianzas para Lograr los Objetivos
# },
# )
# def actualizar_ods_plot(df, n):
# if df is not None:
# df_filtrado = df[df['ods_rank'] <= n]
# df_filtrado['ODS_ID'] = df_filtrado['ODS_ID'].astype(str)
# # df_filtrado['ods_rank'] = df_filtrado['ods_rank'].astype(int)
# return df_filtrado
# else:
# return pd.DataFrame()
# slider_ods.release(fn=lambda df, n: (df[df[f'ods_rank'] <= n], actualizar_ods_plot(df, n)) if df is not None else None,
# inputs=[ods, slider_ods],
# outputs=[df_ods_filtrado, ods_plot], api_name="ods")
# slider_ods.release(fn=lambda df, n: df[df[f'ods_rank'] <= n]['ODS_ID'].astype(str) if df is not None else None,
# inputs=[ods, slider_ods],
# outputs=[df_ods_filtrado, ods_plot], api_name="ods")
# with gr.Tab("🔄 Pivot Table Iniciativa Individual"):
# with gr.Row():
# with gr.Column(scale=3):
# html18_ods = gr.HTML(label="Pivot Table Interactivo ODS", elem_id="pivot-container")
# html18_ods_f = gr.File(label="📥 Descargar Pivot Table (HTML)") #gr.HTML(label="Pivot Table Interactivo ODS", elem_id="pivot-container")
# html18_meta = gr.HTML(label="Pivot Table Interactivo METAS", elem_id="pivot-container")
# html18_meta_f = gr.File(label="📥 Descargar Pivot Table (HTML)") #gr.HTML(label="Pivot Table Interactivo METAS", elem_id="pivot-container")
# html18_indicador = gr.HTML(label="Pivot Table Interactivo INDICADORES", elem_id="pivot-container")
# html18_indicador_f = gr.File(label="📥 Descargar Pivot Table (HTML)") #gr.HTML(label="Pivot Table Interactivo INDICADORES", elem_id="pivot-container")
# with gr.Column(scale=1):
# exp18 = gr.Markdown()
# # def actualizar_pivots(df_ods, df_meta, df_indicador, slider_ods, slider_meta, slider_indicador):
# def actualizar_pivots(df_ods, slider_ods):
# # Actualizar ODS
# if df_ods is not None and len(df_ods) > 0:
# html_ods, exp_ods, file_ods = tab_viz18(df_ods, "ods", slider_ods)
# else:
# html_ods = gr.update(value="<p>No hay datos ODS para mostrar</p>")
# exp_ods = gr.update(value="## Sin datos ODS")
# file_ods = gr.update(value=None)
# # # Actualizar METAS
# # if df_meta is not None and len(df_meta) > 0:
# # html_meta, exp_meta, file_meta = tab_viz18(df_meta, "meta", slider_meta)
# # else:
# # html_meta = gr.update(value="<p>No hay datos METAS para mostrar</p>")
# # exp_meta = gr.update(value="## Sin datos METAS")
# # file_meta = gr.update(value=None)
# # # Actualizar INDICADORES
# # if df_indicador is not None and len(df_indicador) > 0:
# # html_indicador, exp_indicador, file_indicador = tab_viz18(df_indicador, "indicador", slider_indicador)
# # else:
# # html_indicador = gr.update(value="<p>No hay datos INDICADORES para mostrar</p>")
# # exp_indicador = gr.update(value="## Sin datos INDICADORES")
# # file_indicador = gr.update(value=None)
# # Crear explicación combinada
# explicacion_combinada = """
# ## 🔄 Tablas Dinámicas Interactivas
# **Arrastra campos** desde la lista de la izquierda al área central para analizar datos.
# **Funcionalidades:**
# - 📊 Cambia entre tabla, gráfico de barras, línea, etc.
# - 🔢 Modifica agregaciones (suma, promedio, cuenta)
# - 🎯 Filtra datos con arrastrar y soltar
# - 📥 Descarga el HTML para uso externo
# **Nota:** Cada tabla es independiente y se actualiza automáticamente.
# """
# # return (
# # html_ods, html_meta, html_indicador,
# # gr.update(value=explicacion_combinada),
# # file_ods, file_meta, file_indicador
# # )
# return (
# html_ods,
# gr.update(value=explicacion_combinada),
# file_ods
# )
# # CONEXIÓN ÚNICA (cuando cambien los 3 dataframes)
# # for df_component in [df_ods_filtrado, df_meta_filtrado, df_indicador_filtrado]:
# df_ods_filtrado.change(
# fn=actualizar_pivots,
# inputs=[df_ods_filtrado, slider_ods],
# outputs=[
# html18_ods, #html18_meta, html18_indicador,
# exp18,
# html18_ods_f, #html18_meta_f, html18_indicador_f
# ],
# show_progress=False
# )
# df_meta_filtrado.change(
# fn=actualizar_pivots,
# inputs=[df_meta_filtrado, slider_meta],
# outputs=[
# # html18_ods, html18_meta, html18_indicador,
# html18_meta,
# exp18,
# # html18_ods_f, html18_meta_f, html18_indicador_f
# html18_meta_f
# ],
# show_progress=False
# )
# df_indicador_filtrado.change(
# fn=actualizar_pivots,
# inputs=[df_indicador_filtrado, slider_indicador],
# outputs=[
# # html18_ods, html18_meta, html18_indicador,
# html18_indicador,
# exp18,
# # html18_ods_f, html18_meta_f, html18_indicador_f
# html18_indicador_f
# ],
# show_progress=False
# )
# btn.click(search, query_in, [query_out,ods,meta,indicador,genero,poblacional,etnico,pilar,estrategia,categoria,bdl_ods])
btn.click(search, query_in, [query_out,ods,meta,indicador,bdl_ods, msj_procesamiento], show_progress=True)
btn.click(ver_radio, inputs=[], outputs=[es_visible])
# btn.click(fn=tab_viz18, inputs=[ods, txt_ods], outputs=[html18_ods, exp18, html18_ods_f])
# btn.click(fn=tab_viz18, inputs=[meta, txt_meta], outputs=[html18_meta, exp18, html18_meta_f])
# btn.click(fn=tab_viz18, inputs=[indicador, txt_indicador], outputs=[html18_indicador, exp18, html18_indicador_f])
with gr.Tab('CONSULTA ESPECIALIZADA', visible=False):
# with gr.Tab("CONSULTA"):
with gr.Column():
query_in_esp = gr.Textbox(lines=5, placeholder="Escribe aquí tu consulta...", label="Iniciativa a analizar")
query_out_esp = gr.Textbox(lines=5, label="Texto ajustado para lenguaje natural", visible=False)
btn_esp = gr.Button(value="Analizar mi iniciativa")
# lvl = gr.Dropdown([col for col in bdl_ods_esp.value.columns if 'ID' in col], label='Nivel de análisis')
# score = gr.Dropdown([col for col in bdl_ods_esp.value.columns if 'similaridad' in col], label='Score de medida')
# rank = gr.Dropdown([col for col in bdl_ods_esp.value.columns if 'rank' in col], label='Score de medida')
with gr.Tab("Clasificaciones"):
with gr.Row():
ods_esp = gr.Dataframe(value=pd.DataFrame(), label="ODS")
meta_esp = gr.Dataframe(value=pd.DataFrame(), label="METAS")
indicador_esp = gr.Dataframe(value=pd.DataFrame(), label="INDICADORES")
with gr.Row():
genero_esp = gr.Dataframe(value=pd.DataFrame(), label="Enfoque de genero")
poblacional_esp = gr.Dataframe(value=pd.DataFrame(), label="Enfoque poblacional")
etnico_esp = gr.Dataframe(value=pd.DataFrame(), label="Enfoque étnico")
with gr.Row():
pilar_esp = gr.Dataframe(value=pd.DataFrame(), label="Pilares")
estrategia_esp = gr.Dataframe(value=pd.DataFrame(), label="Estrategias")
categoria_esp = gr.Dataframe(value=pd.DataFrame(), label="Categorias")
with gr.Row():
bdl_ods_esp = gr.Dataframe(value=pd.DataFrame(), label="ODS")
# PESTAÑA: INICIO
with gr.Tab("🏠 Inicio"):
html_inicio_ods = gr.HTML() #tab_inicio(ods.value)
btn0 = gr.Button("🔄 Generar Metricas Iniciales", variant="primary")
btn0.click(
fn=tab_inicio,
inputs=[ods_esp,meta_esp,indicador_esp],
outputs=[html_inicio_ods]
)
# PESTAÑA 1: BOX PLOT
with gr.Tab("📦 1. Box Plot"):
btn1 = gr.Button("🔄 Generar Visualización", variant="primary")
with gr.Row():
with gr.Column(scale=1):
exp1 = gr.Markdown()
with gr.Row(visible=False):
with gr.Column(scale=2):
plot1_1 = gr.Plot(label="Diagrama de Caja por ODS")
with gr.Row():
with gr.Column(scale=2):
plot1_2 = gr.Plot(label="Diagrama de Caja por META")
with gr.Row():
with gr.Column(scale=2):
plot1_3 = gr.Plot(label="Diagrama de Caja por INDICADOR")
btn1.click(
fn=tab_viz1,
inputs=[ods_esp, meta_esp, indicador_esp],
outputs=[plot1_1, plot1_2, plot1_3, exp1]
)
# PESTAÑA 2: HEATMAP
with gr.Tab("🔥 2. Heatmap"):
with gr.Row():
with gr.Column(scale=2):
img2 = gr.Image(label="Mapa de Calor ODS × Ranking")
with gr.Column(scale=1):
exp2 = gr.Markdown()
btn2 = gr.Button("🔄 Generar Visualización", variant="primary")
btn2.click(
fn=tab_viz2,
inputs=[ods_esp],
outputs=[img2, exp2]
)
# PESTAÑA 3: SCATTER 3D
with gr.Tab("🌐 3. Scatter 3D"):
with gr.Row():
with gr.Column(scale=2):
plot3 = gr.Plot(label="Gráfico 3D Interactivo")
with gr.Column(scale=1):
exp3 = gr.Markdown()
btn3 = gr.Button("🔄 Generar Visualización", variant="primary")
btn3.click(
fn=tab_viz3,
inputs=[ods_esp],
outputs=[plot3, exp3]
)
# PESTAÑA 4: RADAR
with gr.Tab("🕸️ 4. Radar Chart"):
with gr.Row():
with gr.Column(scale=2):
plot4 = gr.Plot(label="Gráfico de Radar")
with gr.Column(scale=1):
exp4 = gr.Markdown()
btn4 = gr.Button("🔄 Generar Visualización", variant="primary")
btn4.click(
fn=tab_viz4,
inputs=[ods_esp],
outputs=[plot4, exp4]
)
# PESTAÑA 5: SUNBURST
with gr.Tab("☀️ 5. Sunburst"):
with gr.Row():
with gr.Column(scale=2):
plot5 = gr.Plot(label="Diagrama de Sol")
with gr.Column(scale=1):
exp5 = gr.Markdown()
btn5 = gr.Button("🔄 Generar Visualización", variant="primary")
btn5.click(
fn=tab_viz5,
inputs=[ods_esp],
outputs=[plot5, exp5]
)
# PESTAÑA 6: TOP INDICADORES
# with gr.Tab("🏆 6. Top Indicadores"):
# with gr.Row():
# with gr.Column(scale=2):
# plot6 = gr.Plot(label="Top 5 Indicadores por ODS")
# with gr.Column(scale=1):
# exp6 = gr.Markdown()
# btn6 = gr.Button("🔄 Generar Visualización", variant="primary")
# btn6.click(
# fn=tab_viz6,
# inputs=[df, id_lvl, score, rank, titulo, top_n=3],
# outputs=[plot6, exp6]
# )
# PESTAÑA 7: STREAM GRAPH
with gr.Tab("🌊 7. Stream Graph"):
with gr.Row():
with gr.Column(scale=2):
plot7 = gr.Plot(label="Gráfico de Flujo")
with gr.Column(scale=1):
exp7 = gr.Markdown()
btn7 = gr.Button("🔄 Generar Visualización", variant="primary")
btn7.click(
fn=tab_viz7,
inputs=[ods_esp],
outputs=[plot7, exp7]
)
# PESTAÑA 8: VIOLIN PLOT
with gr.Tab("🎻 8. Violin Plot"):
with gr.Row():
with gr.Column(scale=2):
plot8 = gr.Plot(label="Gráfico de Violín")
with gr.Column(scale=1):
exp8 = gr.Markdown()
btn8 = gr.Button("🔄 Generar Visualización", variant="primary")
btn8.click(
fn=tab_viz8,
inputs=[ods_esp],
outputs=[plot8, exp8]
)
# PESTAÑA 9: DASHBOARD
with gr.Tab("📊 9. Dashboard"):
with gr.Row():
with gr.Column(scale=2):
plot9 = gr.Plot(label="Dashboard Integrado")
with gr.Column(scale=1):
exp9 = gr.Markdown()
btn9 = gr.Button("🔄 Generar Visualización", variant="primary")
btn9.click(
fn=tab_viz9,
inputs=[ods_esp],
outputs=[plot9, exp9]
)
# PESTAÑA 10: MATRIZ TRANSICIÓN
with gr.Tab("🔀 10. Matriz Transición"):
with gr.Row():
with gr.Column(scale=2):
img10 = gr.Image(label="Matriz de Transición")
with gr.Column(scale=1):
exp10 = gr.Markdown()
btn10 = gr.Button("🔄 Generar Visualización", variant="primary")
btn10.click(
fn=tab_viz10,
inputs=[ods_esp],
outputs=[img10, exp10]
)
# PESTAÑA: ESTADÍSTICAS
with gr.Tab("📈 Estadísticas"):
html_stats = gr.HTML() #tab_estadisticas(ods)
btn11 = gr.Button("🔄 Generar Estadísticas", variant="primary")
btn11.click(
fn=tab_estadisticas,
inputs=[ods_esp],
outputs=[html_stats]
)
btn_esp.click(search, query_in_esp, [query_out_esp,ods_esp,meta_esp,indicador_esp,genero_esp,poblacional_esp,etnico_esp,pilar_esp,estrategia_esp,categoria_esp,bdl_ods_esp])
with gr.Tab("CONSULTA MASIVA"):
client = InferenceClient()
gr.Markdown("Aquì puedes cargar un archivo con múltiples iniciativas de soluciòn asociadas a problematicas u oportunidades de tu territorio.")
def procesar_archivo(file):
if file is None:
return pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), [], 'Error al procesar el archivo: no se ha cargado ningún archivo'
try:
return search_mass(file, 3,3,3)
except Exception as e:
print("Error al leer el archivo:", e)
return pd.DataFrame(), pd.DataFrame(), pd.DataFrame(), [], 'Error al procesar el archivo'
def upload_file(filepath):
name = Path(filepath).name
return gr.update(label=f"Procesar {name}", value=filepath, visible=True)
def pre_visual_df(file):
if file is None:
return gr.update(value=None)
try:
df = pd.read_excel(file)
return gr.update(value=df.head(10))
except Exception as e:
print("Error al leer el archivo:", e)
return gr.update(value=None)
def num_iniciaticas(file):
if file is None:
return gr.update(value=None)
try:
df = pd.read_excel(file)
return gr.update(value=len(df['iniciativa'].dropna().unique().tolist()))
except Exception as e:
print("Error al leer el archivo:", e)
return gr.update(value=0)
with gr.Row():
# d = gr.DownloadButton(label=f"Descargar plantilla_iniciativas.xlsx", value=Path('data/plantillas/plantilla_iniciativas.xlsx'), visible=True)
d = gr.DownloadButton(label=f"Descargar plantilla para consulta masiva", value=Path('data/raw/plantilla_iniciativas.xlsx'), visible=True)
with gr.Column():
file_output = gr.File()
u = gr.UploadButton("Upload a file", file_count="single", visible=False)
pre_df = gr.Dataframe(label="Vista previa de las primeras 10 filas del archivo cargado")
# btn_prev_df = gr.Button("Previsualizar archivo")
u.upload(upload_file, u, file_output)
file_output.change(pre_visual_df, file_output, pre_df)
# btn_prev_df.click(pre_visual_df, u, pre_df)
# PESTAÑA: CONSULTA
def leer_tabla(file_input, col_iniciativa='iniciativa'):
if file_input is None:
return gr.update(value=None)
df = pd.read_excel(file_input)
return gr.update(value=df[['id_unico','iniciativa']])
df_tx_iniciativas = gr.Dataframe(label="Vista previa de las primeras 10 filas del archivo cargado", visible=False)
with gr.Tab("MASIVA"):
# DataFrame vacío con estructura de iniciativas
df_iniciativas_template = pd.DataFrame(columns=['id_unico', 'iniciativa', 'ODS_ID', 'META_ID', 'INDICADOR_ID', 'objetivo', 'ods_rank'])
titulo_mass = gr.HTML()
def actualizar_titulo(filepath):
try:
name = Path(filepath).name
return gr.update(value=f"""
<style>
.fuente-info-header {{
background: linear-gradient(135deg, #f5f7fa 0%, #c3cfe2 100%);
border-left: 6px solid #2E5090;
border-radius: 8px;
padding: 20px 30px;
margin: 15px 0;
box-shadow: 0 4px 12px rgba(0, 0, 0, 0.1);
font-family: 'Arial', sans-serif;
}}
.fuente-titulo {{
color: #2E5090;
font-size: 1.8em;
font-weight: 700;
margin: 0;
display: flex;
align-items: center;
gap: 12px;
}}
.fuente-icono {{
font-size: 1.2em;
}}
.fuente-subtitulo {{
color: #555;
font-size: 1.1em;
font-weight: 400;
margin: 8px 0 0 0;
font-style: italic;
}}
@media (max-width: 768px) {{
.fuente-titulo {{
font-size: 1.4em;
}}
.fuente-subtitulo {{
font-size: 0.95em;
}}
}}
</style>
<div class="fuente-info-header">
<h2 class="fuente-titulo">
<span class="fuente-icono">📂</span>
Fuente de Información: {name.replace('.xlsx','')}
</h2>
<p class="fuente-subtitulo">Análisis masivo de iniciativas territoriales</p>
</div>
""")
except:
return ''
file_output.change(actualizar_titulo, file_output, titulo_mass)
with gr.Column():
btn_mass_emb_pmt = gr.Button("Analizar archivo en lenguaje de ODS")
msj_procesamiento_mass_pmt = gr.Textbox(value="... preparando para procesar documento", interactive=False, show_label=False)
# PESTAÑA 19: RESUMEN EN TAGS
# with gr.Tab("🏷️ 19. Resumen Tags"):
with gr.Row():
with gr.Row():
# with gr.Column(scale=1):
# html19_1_pmt = gr.HTML(label="Resumen en Tags")
# with gr.Row(visible=False):
# html19_2_pmt = gr.HTML(label="Resumen en Tags")
# # with gr.Column(scale=4):
# html19_3_pmt = gr.HTML(label="Resumen en Tags")
# with gr.Column(scale=4):
file_output.change(leer_tabla,
file_output,
df_tx_iniciativas)
with gr.Column(scale=2):
def burbuja_nini(n_iniciativas):
try:
return f"""<div style="margin-bottom: 40px;">
<h3 style="color: #4472C4; margin-bottom: 15px;">Métricas Generales</h3>
<div style="display: flex; flex-wrap: wrap; gap: 15px;">
<div style="background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 20px 30px; border-radius: 10px; box-shadow: 0 4px 6px rgba(0,0,0,0.1);">
<div style="font-size: 14px; opacity: 0.9;">Iniciativas Analizadas</div>
<div style="font-size: 36px; font-weight: bold; margin-top: 5px;">{n_iniciativas}</div>
</div>
</div>
</div>"""
except:
return ""
n_ini_state = gr.State(value=0)
html_nini = gr.HTML()
file_output.change(num_iniciaticas, file_output, n_ini_state)
n_ini_state.change(burbuja_nini, n_ini_state, html_nini)
with gr.Column(scale=3):
img24_pmt = gr.Image(label="Nube de Palabras", type="filepath")
with gr.Column(visible=False):
exp24 = gr.Markdown()
# btn23 = gr.Button("🔄 Generar Nube de Palabras", variant="primary")
df_tx_iniciativas.change(
fn=tab_viz23,
inputs=[df_tx_iniciativas, gr.State('iniciativa')],
outputs=[img24_pmt, exp24]
)
with gr.Row(visible=False):
def update_choices(listado):
return gr.update(choices=listado)
categorias_mass_state_pmt = gr.State(value=[]) # Estado para almacenar categorías disponibles
iniciativas_pmt = gr.State(value=[])
categorias_mass_pmt = gr.Dropdown(
choices=categorias_mass_state_pmt.value, multiselect=False, label="Categorías"#, info="Selecciona una categoria para aplicar el filtro."
)
categorias_mass_state_pmt.change(fn=update_choices, inputs=[categorias_mass_state_pmt], outputs=[categorias_mass_pmt])
def listar_elementos_categoria(file, categoria):
if file is None: # or categoria not in file.columns:
return "No hay datos disponibles"
df = pd.read_excel(file)
if categoria not in df.columns:
return f"No se encontró la categoría '{categoria}' en el archivo"
elementos = df[categoria].dropna().unique().tolist()
# return ", ".join(elementos)
return gr.update(choices=elementos)
def listar_iniciativas(file):
if file is None:
return []
try:
df = pd.read_excel(file)
if 'iniciativa' not in df.columns:
return []
elementos = df['iniciativa'].dropna().unique().tolist()
print(f"✅ Iniciativas cargadas: {len(elementos)}")
return elementos
except Exception as e:
print(f"❌ Error al cargar iniciativas: {e}")
return []
# filtro_categoria_state = gr.State(value=[]) # Estado para almacenar categorías seleccionadas para filtro
filtro_categoria_pmt= gr.Dropdown(
choices=[], multiselect=True, interactive=True, label="Elementos de categoría", info="Selecciona una o varias opciones para aplicar el análisis."
)
file_output.change(listar_iniciativas,
file_output,
iniciativas_pmt)
bttn_filtro_categoria_pmt = gr.Button("Aplicar filtro por categoría", variant="secondary")
categorias_mass_pmt.change(fn=listar_elementos_categoria, inputs=[file_output, categorias_mass_pmt], outputs=[filtro_categoria_pmt])
with gr.Row():
with gr.Column(scale=3):
with gr.Tab("TOP ODS"):
html_inicio_mass_pmt = gr.HTML(label="Resultados del análisis masivo - vista inicial")
with gr.Tab("Resultados por ODS - Metas"):
base_ods_mass_mix_pmt = gr.Dataframe(label="Prueba-Resultados del análisis masivo ODS", visible=False)
base_meta_mass_mix_pmt = gr.Dataframe(label="Resultados del análisis masivo METAS", visible=False)
base_indicadores_mass_mix_pmt = gr.Dataframe(label="Resultados del análisis masivo INDICADORES", visible=False)
base_ods_mass_mix_cat_pmt = gr.Dataframe(label="Prueba-Resultados del análisis masivo ODS", visible=False)
base_meta_mass_mix_cat_pmt = gr.Dataframe(label="Resultados del análisis masivo METAS", visible=False)
base_indicadores_mass_mix_cat_pmt = gr.Dataframe(label="Resultados del análisis masivo INDICADORES", visible=False)
# output_ods_mass_mix_cat_pmt = gr.Dataframe(label="Resultados del análisis masivo ODS - Categorización", visible=False)
# output_meta_mass_mix_cat_pmt = gr.Dataframe(label="Resultados del análisis masivo METAS - Categorización", visible=False)
# output_indicadores_mass_mix_cat_pmt = gr.Dataframe(label="Resultados del análisis masivo INDICADORES - Categorización", visible=False)
with gr.Row():
with gr.Tab("🏆 Ranking Masivo ODS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_ods_pmt = gr.Plot(label="Ranking Global ODS")
with gr.Column(scale=1):
exp_mass_ods = gr.Markdown()
with gr.Tab('Tabla score ODS'):
output_ods_mass_mix_pmt = gr.Dataframe(label="Resultados del análisis masivo ODS")
with gr.Row():
with gr.Tab("🏆 Ranking Masivo METAS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_metas_pmt = gr.Plot(label="Ranking Global METAS")
with gr.Column(scale=1):
exp_mass_metas = gr.Markdown()
with gr.Tab('Tabla score METAS'):
output_meta_mass_mix_pmt = gr.Dataframe(label="Resultados del análisis masivo METAS")
with gr.Row(visible=False):
with gr.Tab("🏆 Ranking Masivo INDICADORES"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_indicadores_pmt = gr.Plot(label="Ranking Global INDICADORES")
with gr.Column(scale=1):
exp_mass_indicadores = gr.Markdown()
with gr.Tab('Tabla score INDICADORES'):
output_indicadores_mass_mix_pmt = gr.Dataframe(label="Resultados del análisis masivo INDICADORES")
# Primer seguimiento de actualización
with gr.Column():
output_ods_mass_mix_pmt.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_pmt,output_meta_mass_mix_pmt,output_indicadores_mass_mix_pmt],
outputs=[html_inicio_mass_pmt]
)
output_meta_mass_mix_pmt.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_pmt,output_meta_mass_mix_pmt,output_indicadores_mass_mix_pmt],
outputs=[html_inicio_mass_pmt]
)
output_indicadores_mass_mix_pmt.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_pmt,output_meta_mass_mix_pmt,output_indicadores_mass_mix_pmt],
outputs=[html_inicio_mass_pmt]
)
with gr.Column():
output_ods_mass_mix_pmt.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_ods_mass_mix_pmt, gr.State('ods')],
outputs=[plot_mass_ods_pmt, exp_mass_ods]
)
output_meta_mass_mix_pmt.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_meta_mass_mix_pmt, gr.State('meta')],
outputs=[plot_mass_metas_pmt, exp_mass_metas]
)
output_indicadores_mass_mix_pmt.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_indicadores_mass_mix_pmt, gr.State('indicador')],
outputs=[plot_mass_indicadores_pmt, exp_mass_indicadores]
)
## AJUSTE POR FILTROS DE CATEGORIA
# with gr.Column():
# bttn_filtro_categoria_pmt.click(
# fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
# inputs=[base_ods_mass_mix, categorias_mass, filtro_categoria],
# outputs=[base_ods_mass_mix_cat]
# )
# bttn_filtro_categoria_pmt.click(
# fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
# inputs=[base_meta_mass_mix, categorias_mass, filtro_categoria],
# outputs=[base_meta_mass_mix_cat]
# )
# bttn_filtro_categoria_pmt.click(
# fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
# inputs=[base_indicadores_mass_mix, categorias_mass, filtro_categoria],
# outputs=[base_indicadores_mass_mix_cat]
# )
# base_ods_mass_mix_cat_pmt.change(
# fn=tab_viz19,
# inputs=[base_ods_mass_mix_cat, base_meta_mass_mix_cat, base_indicadores_mass_mix_cat],
# outputs=[html19_1, html19_2, html19_3, exp19]
# )
# base_meta_mass_mix_cat_pmt.change(
# fn=tab_viz19,
# inputs=[base_ods_mass_mix_cat_pmt, base_meta_mass_mix_cat_pmt, base_indicadores_mass_mix_cat_pmt],
# outputs=[html19_1_pmt, html19_2_pmt, html19_3_pmt, exp19]
# )
# base_indicadores_mass_mix_cat_pmt.change(
# fn=tab_viz19,
# inputs=[base_ods_mass_mix_cat_pmt, base_meta_mass_mix_cat_pmt, base_indicadores_mass_mix_cat_pmt],
# outputs=[html19_1_pmt, html19_2_pmt, html19_3_pmt, exp19]
# )
# btn_mass_emb.click(
# fn=procesar_archivo,
# inputs=[file_output],
# outputs=[output_ods_mass, output_meta_mass, output_indicadores_mass,categorias_mass_state, msj_procesamiento_mass],
# show_progress=True
# )
btn_mass_emb_pmt.click(
fn=procesar_lote_llm,
inputs=[iniciativas_pmt],
outputs=[output_ods_mass_mix_pmt, output_meta_mass_mix_pmt, output_indicadores_mass_mix_pmt, msj_procesamiento_mass_pmt, n_ini_state],
show_progress=True
)
txt_fecha_mass = gr.Textbox(value="Fecha de consulta: ", interactive=False, show_label=False)
output_ods_mass_mix_pmt.change(fn= actualizar_fecha, inputs=[], outputs=txt_fecha_mass)
with gr.Tab("MASIVA CON CONTEXTO", visible=False):
# DataFrame vacío con estructura de iniciativas
df_iniciativas_template = pd.DataFrame(columns=['id_unico', 'iniciativa', 'ODS_ID', 'META_ID', 'INDICADOR_ID', 'objetivo', 'ods_rank'])
with gr.Column():
btn_mass_emb = gr.Button("Procesar archivo")
msj_procesamiento_mass = gr.Textbox(value="... preparando para procesar documento", interactive=False, show_label=False)
# PESTAÑA 19: RESUMEN EN TAGS
# with gr.Tab("🏷️ 19. Resumen Tags"):
with gr.Row():
with gr.Row():
with gr.Column(scale=2):
html19_1 = gr.HTML(label="Resumen en Tags")
with gr.Column(scale=4):
# PESTAÑA 23: NUBE DE PALABRAS - PALOMA
# with gr.Tab("23. Nube Palabras"):
# file_output = gr.File()
file_output.change(leer_tabla,
file_output,
df_tx_iniciativas)
with gr.Row():
with gr.Column(scale=2):
img23 = gr.Image(label="Nube de Palabras", type="filepath")
with gr.Column(scale=1, visible=False):
exp23 = gr.Markdown()
# btn23 = gr.Button("🔄 Generar Nube de Palabras", variant="primary")
df_tx_iniciativas.change(
fn=tab_viz23,
inputs=[df_tx_iniciativas, gr.State('iniciativa')],
outputs=[img23, exp23]
)
# gr.Markdown("""
# ### 📝 Nota:
# Esta visualización analiza el texto de ODS/Metas/Indicadores y muestra
# las palabras más frecuentes en forma de paloma de paz.
# **Requiere:** `pip install wordcloud pillow`
# """)
with gr.Row(visible=False):
html19_2 = gr.HTML(label="Resumen en Tags")
# with gr.Column(scale=4):
html19_3 = gr.HTML(label="Resumen en Tags")
with gr.Column(visible=False):
exp19 = gr.Markdown()
with gr.Row():
def update_choices(listado):
return gr.update(choices=listado)
categorias_mass_state = gr.State(value=[]) # Estado para almacenar categorías disponibles
categorias_mass = gr.Dropdown(
choices=categorias_mass_state.value, multiselect=False, label="Categorías"#, info="Selecciona una categoria para aplicar el filtro."
)
categorias_mass_state.change(fn=update_choices, inputs=[categorias_mass_state], outputs=[categorias_mass])
def listar_elementos_categoria(file, categoria):
if file is None: # or categoria not in file.columns:
return "No hay datos disponibles"
df = pd.read_excel(file)
if categoria not in df.columns:
return f"No se encontró la categoría '{categoria}' en el archivo"
elementos = df[categoria].dropna().unique().tolist()
# return ", ".join(elementos)
return gr.update(choices=elementos)
# filtro_categoria_state = gr.State(value=[]) # Estado para almacenar categorías seleccionadas para filtro
filtro_categoria= gr.Dropdown(
choices=[], multiselect=True, interactive=True, label="Elementos de categoría", info="Selecciona una o varias opciones para aplicar el análisis."
)
bttn_filtro_categoria = gr.Button("Aplicar filtro por categoría", variant="secondary")
categorias_mass.change(fn=listar_elementos_categoria, inputs=[file_output, categorias_mass], outputs=[filtro_categoria])
with gr.Row():
with gr.Column(scale=3):
with gr.Tab("TOP ODS"):
html_inicio_mass = gr.HTML(label="Resultados del análisis masivo - vista inicial")
with gr.Tab("Resultados por ODS - Metas"):
base_ods_mass_mix = gr.Dataframe(label="Prueba-Resultados del análisis masivo ODS", visible=False)
base_meta_mass_mix = gr.Dataframe(label="Resultados del análisis masivo METAS", visible=False)
base_indicadores_mass_mix = gr.Dataframe(label="Resultados del análisis masivo INDICADORES", visible=False)
base_ods_mass_mix_cat = gr.Dataframe(label="Prueba-Resultados del análisis masivo ODS", visible=False)
base_meta_mass_mix_cat = gr.Dataframe(label="Resultados del análisis masivo METAS", visible=False)
base_indicadores_mass_mix_cat = gr.Dataframe(label="Resultados del análisis masivo INDICADORES", visible=False)
output_ods_mass_mix_cat = gr.Dataframe(label="Resultados del análisis masivo ODS - Categorización", visible=False)
output_meta_mass_mix_cat = gr.Dataframe(label="Resultados del análisis masivo METAS - Categorización", visible=False)
output_indicadores_mass_mix_cat = gr.Dataframe(label="Resultados del análisis masivo INDICADORES - Categorización", visible=False)
with gr.Row():
with gr.Tab("🏆 Ranking Masivo ODS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_ods = gr.Plot(label="Ranking Global ODS")
with gr.Column(scale=1):
exp_mass_ods = gr.Markdown()
with gr.Tab("📊 Priorización con Pareto", visible=False):
gr.HTML("""
<div style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #F0F0F0;">📊 Diagrama de Pareto (Regla 80/20)</h3>
<ol style="line-height: 1.8;">
<li><strong>CRITERIO:</strong> Aplicamos un criterio de Pareto ADAPTATIVO calibrado para contextos de clasificación multinivel,
donde el umbral se ajusta según la distribución empírica de similaridad y la granularidad requerida para toma de decisiones.</li>
<li><strong>Marcos globales:</strong> (UNDP, VNR, EU SDG Strategy) recomiendan 3-5 ODS
prioritarios por ciclo de implementación.</li>
<li><strong>Interactúa:</strong> Las visualizaciones son dinámicas y permiten exploración</li>
</ol>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
plotOds_mass = gr.Plot(label="Diagrama de Pareto Agregado por ODS")
with gr.Column(scale=1):
slider_ods_pareto_mass = gr.Slider(0.1, 1.0, step=0.1, value=0.7,interactive=True, label="Top ODS")
expOds_mass = gr.Markdown()
with gr.Tab('Tabla score ODS'):
output_ods_mass_mix = gr.Dataframe(label="Resultados del análisis masivo ODS")
with gr.Row():
with gr.Tab("🏆 Ranking Masivo METAS"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_metas = gr.Plot(label="Ranking Global METAS")
with gr.Column(scale=1):
exp_mass_metas = gr.Markdown()
with gr.Tab("📊 Priorización con Pareto", visible=False):
gr.HTML("""
<div style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #F0F0F0;">📊 Diagrama de Pareto (Regla 80/20)</h3>
<ol style="line-height: 1.8;">
<li><strong>CRITERIO:</strong> Aplicamos un criterio de Pareto ADAPTATIVO calibrado para contextos de clasificación multinivel,
donde el umbral se ajusta según la distribución empírica de similaridad y la granularidad requerida para toma de decisiones.</li>
<li><strong>Marcos globales:</strong> (UNDP, VNR, EU SDG Strategy) recomiendan 3-5 ODS
prioritarios por ciclo de implementación.</li>
<li><strong>Interactúa:</strong> Las visualizaciones son dinámicas y permiten exploración</li>
</ol>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
plotMetas_mass = gr.Plot(label="Diagrama de Pareto Agregado por METAS")
with gr.Column(scale=1):
slider_metas_pareto_mass = gr.Slider(0.1, 1.0, step=0.1, value=0.7,interactive=True, label="Top METAS")
expMetas_mass = gr.Markdown()
with gr.Tab('Tabla score METAS'):
output_meta_mass_mix = gr.Dataframe(label="Resultados del análisis masivo METAS")
with gr.Row(visible=False):
with gr.Tab("🏆 Ranking Masivo INDICADORES"):
with gr.Row():
with gr.Column(scale=2):
plot_mass_indicadores = gr.Plot(label="Ranking Global INDICADORES")
with gr.Column(scale=1):
exp_mass_indicadores = gr.Markdown()
with gr.Tab("📊 Priorización con Pareto"):
gr.HTML("""
<div style="background-color: #009EDB; padding: 20px; border-radius: 10px; margin: 20px 0;">
<h3 style="color: #F0F0F0;">📊 Diagrama de Pareto (Regla 80/20)</h3>
<ol style="line-height: 1.8;">
<li><strong>CRITERIO:</strong> Aplicamos un criterio de Pareto ADAPTATIVO calibrado para contextos de clasificación multinivel,
donde el umbral se ajusta según la distribución empírica de similaridad y la granularidad requerida para toma de decisiones.</li>
<li><strong>Marcos globales:</strong> (UNDP, VNR, EU SDG Strategy) recomiendan 3-5 ODS
prioritarios por ciclo de implementación.</li>
<li><strong>Interactúa:</strong> Las visualizaciones son dinámicas y permiten exploración</li>
</ol>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
plotIndicadores_mass = gr.Plot(label="Diagrama de Pareto Agregado por INDICADORES")
with gr.Column(scale=1):
slider_indicadores_pareto_mass = gr.Slider(0.1, 1.0, step=0.1, value=0.7,interactive=True, label="Top INDICADORES")
expIndicadores_mass = gr.Markdown()
with gr.Tab('Tabla score INDICADORES'):
output_indicadores_mass_mix = gr.Dataframe(label="Resultados del análisis masivo INDICADORES")
with gr.Column(scale=1, visible=False):
# u.upload(fn=upload_file, inputs=[u], outputs=[file_output])
# categorias = gr.State(value=[])
with gr.Row():
output_ods_mass = gr.Dataframe(label="Resultados del análisis masivo ODS", visible=False)
output_meta_mass = gr.Dataframe(label="Resultados del análisis masivo Metas", visible=False)
output_indicadores_mass = gr.Dataframe(label="Resultados del análisis masivo Indicadores", visible=False)
## Opteniendo
with gr.Row():
with gr.Column():
slider_pareto_ods = gr.Slider(0, 1, step=0.05, value=0.40,interactive=True, label="Umbral Pareto ODS / iniciativa")
slider_pareto_meta = gr.Slider(0, 1, step=0.05, value=0.10,interactive=True, label="Umbral Pareto Metas / iniciativa")
slider_pareto_indicador = gr.Slider(0, 1, step=0.05, value=0.10,interactive=True, label="Umbral Pareto Indicadores / iniciativa")
with gr.Column():
slider_prop_sim = gr.Slider(0, 1, step=0.05, value=0.50,interactive=True, label="Proporción calificación Similaridad")
slider_prop_rank = gr.Slider(0, 1, step=0.05, value=0.35,interactive=True, label="Proporción calificación Ranking")
# prop_frec = gr.State(value=0.20) # 1 - sim - rank
## Actualización dinámica de proporciones para que siempre sumen 1
slider_prop_sim.change(fn=lambda sim: gr.update(value=round(0, 2)) if sim is not None else None, inputs=[slider_prop_sim], outputs=[slider_prop_rank])
slider_prop_sim.change(fn=lambda sim: gr.update(maximum=round(1-sim, 2), value=round(0, 2)) if sim is not None else None, inputs=[slider_prop_sim], outputs=[slider_prop_rank])
# slider_prop_rank.change(fn=lambda sim, rank: gr.update(value=1-(rank + sim)) if rank is not None else None, inputs=[slider_prop_sim, slider_prop_rank], outputs=[prop_frec])
with gr.Row():
# with gr.Column(scale=2):
with gr.Tab("Composición del Score"):
plot22 = gr.Plot(label="Composición del Score")
# with gr.Column(scale=1):
with gr.Tab("Detalle de scores"):
exp22 = gr.Markdown()
# btn22 = gr.Button("🔄 Mostrar Composición", variant="primary")
slider_prop_sim.change(
fn=tab_viz22,
inputs=[slider_prop_sim, slider_prop_rank],
outputs=[plot22, exp22]
)
slider_prop_rank.change(
fn=tab_viz22,
inputs=[slider_prop_sim, slider_prop_rank],
outputs=[plot22, exp22]
)
btn_mass_emb.click(
fn=procesar_archivo,
inputs=[file_output],
outputs=[output_ods_mass, output_meta_mass, output_indicadores_mass,categorias_mass_state, msj_procesamiento_mass],
show_progress=True
)
with gr.Row(): ## Actualizando todas las variables de análisis cada vez que se ajusta un slider o se carga un nuevo archivo, para mantener todo sincronizado
with gr.Column():
output_ods_mass.change(
fn=analisis_global_con_pareto,
inputs=[output_ods_mass, gr.State('ods'),slider_pareto_ods, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_ods_mass_mix, base_ods_mass_mix]
)
output_meta_mass.change(
fn=analisis_global_con_pareto,
inputs=[output_meta_mass, gr.State('meta'), slider_pareto_meta, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_meta_mass_mix, base_meta_mass_mix]
)
output_indicadores_mass.change(
fn=analisis_global_con_pareto,
inputs=[output_indicadores_mass, gr.State('indicador'), slider_pareto_indicador, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_indicadores_mass_mix, base_indicadores_mass_mix]
)
with gr.Column():
output_ods_mass_mix.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix,output_meta_mass_mix,output_indicadores_mass_mix],
outputs=[html_inicio_mass]
)
output_meta_mass_mix.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix,output_meta_mass_mix,output_indicadores_mass_mix],
outputs=[html_inicio_mass]
)
output_indicadores_mass_mix.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix,output_meta_mass_mix,output_indicadores_mass_mix],
outputs=[html_inicio_mass]
)
with gr.Column():
slider_prop_sim.change(
fn=analisis_global_con_pareto,
inputs=[output_ods_mass, gr.State('ods'), slider_pareto_ods, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_ods_mass_mix, base_ods_mass_mix]
)
slider_prop_sim.change(
fn=analisis_global_con_pareto,
inputs=[output_meta_mass, gr.State('meta'), slider_pareto_meta, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_meta_mass_mix, base_meta_mass_mix]
)
slider_prop_sim.change(
fn=analisis_global_con_pareto,
inputs=[output_indicadores_mass, gr.State('indicador'), slider_pareto_indicador, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_indicadores_mass_mix, base_indicadores_mass_mix ]
)
slider_prop_rank.change(
fn=analisis_global_con_pareto,
inputs=[output_ods_mass, gr.State('ods'), slider_pareto_ods, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_ods_mass_mix, base_ods_mass_mix]
)
slider_prop_rank.change(
fn=analisis_global_con_pareto,
inputs=[output_meta_mass, gr.State('meta'), slider_pareto_meta, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_meta_mass_mix, base_meta_mass_mix ]
)
slider_prop_rank.change(
fn=analisis_global_con_pareto,
inputs=[output_indicadores_mass, gr.State('indicador'), slider_pareto_indicador, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_indicadores_mass_mix, base_indicadores_mass_mix ]
)
with gr.Column():
slider_pareto_ods.change(
fn=analisis_global_con_pareto,
inputs=[output_ods_mass, gr.State('ods'), slider_pareto_ods, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_ods_mass_mix, base_ods_mass_mix]
)
slider_pareto_meta.change(
fn=analisis_global_con_pareto,
inputs=[output_meta_mass, gr.State('meta'), slider_pareto_meta, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_meta_mass_mix, base_meta_mass_mix ]
)
slider_pareto_indicador.change(
fn=analisis_global_con_pareto,
inputs=[output_indicadores_mass, gr.State('indicador'), slider_pareto_indicador, gr.State('mixto'), slider_prop_sim, slider_prop_rank, gr.State(False)],
outputs=[output_indicadores_mass_mix, base_indicadores_mass_mix]
)
with gr.Column():
output_ods_mass_mix.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_ods_mass_mix, gr.State('ods'), slider_pareto_ods, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_ods, exp_mass_ods]
)
output_meta_mass_mix.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_meta_mass_mix, gr.State('meta'), slider_pareto_meta, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_metas, exp_mass_metas]
)
output_indicadores_mass_mix.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_indicadores_mass_mix, gr.State('indicador'), slider_pareto_indicador, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_indicadores, exp_mass_indicadores]
)
with gr.Column(): # actualizar grafico barras de puntajes cada vez que se ajusta proporción de similaridad o ranking, para mantener todo sincronizado
slider_prop_sim.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_ods_mass_mix, gr.State('ods'), slider_pareto_meta, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_metas, exp_mass_metas]
)
slider_prop_rank.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_ods_mass_mix, gr.State('ods'), slider_pareto_indicador, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_indicadores, exp_mass_indicadores]
)
slider_prop_sim.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_meta_mass_mix, gr.State('meta'), slider_pareto_meta, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_metas, exp_mass_metas]
)
slider_prop_rank.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_meta_mass_mix, gr.State('meta'), slider_pareto_indicador, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_indicadores, exp_mass_indicadores]
)
slider_prop_sim.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_indicadores_mass_mix, gr.State('indicador'), slider_pareto_meta, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_metas, exp_mass_metas]
)
slider_prop_rank.change(
fn=tab_viz21,
#df, nivel, umbral_pareto=0.8, metodo='mixto', sim_prop = 0.75, rank_prop=0.20
inputs=[output_indicadores_mass_mix, gr.State('indicador'), slider_pareto_indicador, gr.State(value='mixto'), slider_prop_sim, slider_prop_rank],
outputs=[plot_mass_indicadores, exp_mass_indicadores]
)
with gr.Column():
output_ods_mass_mix.change(
fn=tab_viz20,
inputs=[output_ods_mass_mix, gr.State('ods'), slider_ods_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotOds_mass, expOds_mass]
)
output_meta_mass_mix.change(
fn=tab_viz20,
inputs=[output_meta_mass_mix, gr.State('meta'), slider_metas_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotMetas_mass, expMetas_mass]
)
output_indicadores_mass_mix.change(
fn=tab_viz20,
inputs=[output_indicadores_mass_mix, gr.State('indicador'), slider_indicadores_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotIndicadores_mass, expIndicadores_mass]
)
### Actualizando umbral de pareto
slider_ods_pareto_mass.change(
fn=tab_viz20,
inputs=[output_ods_mass_mix, gr.State('ods'), slider_ods_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotOds_mass, expOds_mass]
)
slider_metas_pareto_mass.change(
fn=tab_viz20,
inputs=[output_meta_mass_mix, gr.State('meta'), slider_metas_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotMetas_mass, expMetas_mass]
)
slider_indicadores_pareto_mass.change(
fn=tab_viz20,
inputs=[output_indicadores_mass_mix, gr.State('indicador'), slider_indicadores_pareto_mass, gr.State(True), gr.State('individual')],
outputs=[plotIndicadores_mass, expIndicadores_mass]
)
with gr.Column():
# btn19 = gr.Button("🔄 Generar Resumen", variant="primary")
base_ods_mass_mix.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix, base_meta_mass_mix, base_indicadores_mass_mix],
outputs=[html19_1, html19_2, html19_3, exp19]
)
base_meta_mass_mix.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix, base_meta_mass_mix, base_indicadores_mass_mix],
outputs=[html19_1, html19_2, html19_3, exp19]
)
base_indicadores_mass_mix.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix, base_meta_mass_mix, base_indicadores_mass_mix],
outputs=[html19_1, html19_2, html19_3, exp19]
)
## AJUSTE POR FILTROS DE CATEGORIA
with gr.Column():
bttn_filtro_categoria.click(
fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
inputs=[base_ods_mass_mix, categorias_mass, filtro_categoria],
outputs=[base_ods_mass_mix_cat]
)
bttn_filtro_categoria.click(
fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
inputs=[base_meta_mass_mix, categorias_mass, filtro_categoria],
outputs=[base_meta_mass_mix_cat]
)
bttn_filtro_categoria.click(
fn=lambda df, categoria, elementos: df[df[categoria].isin(elementos)] if df is not None else None,
inputs=[base_indicadores_mass_mix, categorias_mass, filtro_categoria],
outputs=[base_indicadores_mass_mix_cat]
)
base_ods_mass_mix_cat.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix_cat, base_meta_mass_mix_cat, base_indicadores_mass_mix_cat],
outputs=[html19_1, html19_2, html19_3, exp19]
)
base_meta_mass_mix_cat.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix_cat, base_meta_mass_mix_cat, base_indicadores_mass_mix_cat],
outputs=[html19_1, html19_2, html19_3, exp19]
)
base_indicadores_mass_mix_cat.change(
fn=tab_viz19,
inputs=[base_ods_mass_mix_cat, base_meta_mass_mix_cat, base_indicadores_mass_mix_cat],
outputs=[html19_1, html19_2, html19_3, exp19]
)
## Actualilzar resultados de análisis cada vez que se ajusta el filtro de categoría, para mantener todo sincronizado
def actualizar_analisis_con_filtro_categoria(df, categoria, elementos, nivel):
if df is None:
return None
df_filtrado = df[df[categoria].isin(elementos)]
if nivel == 'ods':
umbral_pareto = slider_pareto_ods.value
elif nivel == 'meta':
umbral_pareto = slider_pareto_meta.value
elif nivel == 'indicador':
umbral_pareto = slider_pareto_indicador.value
else:
umbral_pareto = 0.8 # valor por defecto
resultado_actualizado, base_actualizada = analisis_global_con_pareto(df_filtrado, nivel, umbral_pareto, metodo='mixto', sim_prop=slider_prop_sim.value, rank_prop=slider_prop_rank.value)
return resultado_actualizado, base_actualizada
bttn_filtro_categoria.click(
fn=actualizar_analisis_con_filtro_categoria,
inputs=[output_ods_mass, categorias_mass, filtro_categoria, gr.State('ods')],
outputs=[output_ods_mass_mix_cat, base_ods_mass_mix_cat]
)
bttn_filtro_categoria.click(
fn=actualizar_analisis_con_filtro_categoria,
inputs=[output_meta_mass, categorias_mass, filtro_categoria, gr.State('meta')],
outputs=[output_meta_mass_mix_cat, base_meta_mass_mix_cat]
)
bttn_filtro_categoria.click(
fn=actualizar_analisis_con_filtro_categoria,
inputs=[output_indicadores_mass, categorias_mass, filtro_categoria, gr.State('indicador')],
outputs=[output_indicadores_mass_mix_cat, base_indicadores_mass_mix_cat]
)
## Actuaizar visualizaciones niveles cada vez que se ajusta el filtro de categoría, para mantener todo sincronizado
output_ods_mass_mix_cat.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_cat,output_meta_mass_mix_cat,output_indicadores_mass_mix_cat],
outputs=[html_inicio_mass]
)
output_meta_mass_mix_cat.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_cat,output_meta_mass_mix_cat,output_indicadores_mass_mix_cat],
outputs=[html_inicio_mass]
)
output_indicadores_mass_mix_cat.change(
fn=tab_inicio_mass,
inputs=[output_ods_mass_mix_cat,output_meta_mass_mix_cat,output_indicadores_mass_mix_cat],
outputs=[html_inicio_mass]
)
# categorias.change(fn=lambda df, n: df[df[f'ods_peso_acumulado_sin_norm'] <= 1-n] if df is not None else None,
# inputs=[output_ods_mass_mix, categorias],
# outputs=[output_ods_mass_mix], api_name="ods")
with gr.Tab("Análisis 2 - Filtrado", visible=False):
with gr.Row():
with gr.Column():
slider_massive_ods_sim = gr.Slider(0, 1, step=0.01, value=0.70,interactive=True, label="Sensibilidad ODS")
slider_massive_ods_rank = gr.Slider(0, 10, step=1, value=4,interactive=True, label="Top ODS")
with gr.Column():
slider_massive_meta_sim = gr.Slider(0, 1, step=0.01, value=0.70,interactive=True, label="Sensibilidad METAS")
slider_massive_meta_rank = gr.Slider(0, 10, step=1, value=4,interactive=True, label="Top METAS")
with gr.Column():
slider_massive_indicador_sim = gr.Slider(0, 1, step=0.01, value=0.70,interactive=True, label="Sensibilidad INDICADORES")
slider_massive_indicador_rank = gr.Slider(0, 10, step=1, value=4,interactive=True, label="Top INDICADORES")
with gr.Tab("Tablas Filtradas", visible=True):
with gr.Column():
df_ods_mass_filtrado = gr.Dataframe(df_iniciativas_template, label="METAS Filtradas")
slider_massive_ods_sim.release(fn=lambda df, n: df[df[f'ods_peso_acumulado_sin_norm'] <= 1-n] if df is not None else None,
inputs=[output_ods_mass, slider_massive_ods_sim],
outputs=[df_ods_mass_filtrado], api_name="ods")
slider_massive_ods_rank.release(fn=lambda df, n: df[df[f'ods_rank'] <= n] if df is not None else None,
inputs=[output_ods_mass, slider_massive_ods_rank],
outputs=[df_ods_mass_filtrado], api_name="ods")
df_meta_mass_filtrado = gr.Dataframe(df_iniciativas_template, label="METAS Filtradas")
slider_massive_meta_sim.release(fn=lambda df, n: df[df[f'meta_peso_acumulado_sin_norm'] <= 1-n] if df is not None else None,
inputs=[output_meta_mass, slider_massive_meta_sim],
outputs=[df_meta_mass_filtrado], api_name="ods")
slider_massive_meta_rank.release(fn=lambda df, n: df[df[f'meta_rank'] <= n] if df is not None else None,
inputs=[output_meta_mass, slider_massive_meta_rank],
outputs=[df_meta_mass_filtrado], api_name="ods")
df_indicador_mass_filtrado = gr.Dataframe(df_iniciativas_template, label="Indicadores Filtradas")
slider_massive_indicador_sim.release(fn=lambda df, n: df[df[f'indicador_peso_acumulado_sin_norm'] <= 1-n] if df is not None else None,
inputs=[output_indicadores_mass, slider_massive_indicador_sim],
outputs=[df_indicador_mass_filtrado], api_name="ods")
slider_massive_indicador_rank.release(fn=lambda df, n: df[df[f'indicador_rank'] <= n] if df is not None else None,
inputs=[output_indicadores_mass, slider_massive_indicador_rank],
outputs=[df_indicador_mass_filtrado], api_name="ods")
# PESTAÑA Graficas
with gr.Tab("🕸️ Gráficas", visible=False):
with gr.Row():
with gr.Column(scale=2):
plot4 = gr.Plot(label="Gráfico de Radar")
with gr.Column(scale=1):
exp4 = gr.Markdown()
# btn4_m = gr.Button("🔄 Generar Visualización", variant="primary")
df_ods_mass_filtrado.change(
fn=tab_viz4,
inputs=[df_ods_mass_filtrado, gr.State('ODS_ID'), gr.State('ods_peso_sin_norm'), gr.State('ods_rank'), gr.State('ODS')],
outputs=[plot4, exp4]
)
# with gr.Row():
# with gr.Column(scale=2):
# plot6 = gr.Plot(label="Top 5 Indicadores por ODS")
# with gr.Column(scale=1):
# exp6 = gr.Markdown()
# # btn6 = gr.Button("🔄 Generar Visualización", variant="primary")
# df_meta_mass_filtrado.change(
# fn=tab_viz6,
# inputs=[df_meta_mass_filtrado, gr.State('ODS_ID'), gr.State('meta_similaridad_cos'), gr.State('meta_rank'), gr.State('METAS'), gr.State(3)],
# outputs=[plot6, exp6]
# )
# PESTAÑA 5: SUNBURST
# with gr.Tab("☀️ 5. Sunburst"):
with gr.Row():
with gr.Column(scale=2):
plot5 = gr.Plot(label="Diagrama de Sol")
with gr.Column(scale=1):
exp5 = gr.Markdown()
# btn5 = gr.Button("🔄 Generar Visualización", variant="primary")
df_meta_mass_filtrado.change(
fn=tab_viz5,
inputs=[df_meta_mass_filtrado, gr.State('META_ID1'), gr.State('meta_rank'), gr.State('meta_rank'), gr.State('METAS')],
outputs=[plot5, exp5]
)
with gr.Tab("MASIVA CON PROMPTING", visible=False):
gr.Markdown("Aquí puedes processar múltiples iniciativas con enfoque de prompting. (Usa la plantilla proporcionada)")
# client = InferenceClient(token="hf_tu_token_aqui")
# Celda 3: Prompts por nivel
PROMPT_ODS = """Vincula entre 3 y 5 Objetivos de Desarrollo Sostenible (ODS) que tengan una relación directa con la siguiente iniciativa:
"{iniciativa}"
Para cada ODS vinculado incluye:
- Número y nombre del ODS
- Justificación breve de por qué se vincula (impacto social, territorial, de paz, infraestructura o inclusión)
Formato de respuesta (una línea por ODS, ordenados por relevancia de mayor a menor):
ODS [número]: [nombre] – [justificación]
Responde ÚNICAMENTE con el listado en el formato indicado, sin texto adicional."""
PROMPT_META = """Identifica entre 3 y 5 Metas de los Objetivos de Desarrollo Sostenible (ODS) que tengan relación directa con la siguiente iniciativa:
"{iniciativa}"
Para cada meta incluye:
- Código de la meta (ej: 4.2, 1.3, 16.10)
- Descripción de la meta
- Justificación breve del vínculo con la iniciativa
Formato de respuesta (una línea por meta, ordenadas por relevancia de mayor a menor):
Meta [código]: [descripción] – [justificación]
Responde ÚNICAMENTE con el listado en el formato indicado, sin texto adicional."""
PROMPT_INDICADOR = """Identifica entre 3 y 5 Indicadores de los Objetivos de Desarrollo Sostenible (ODS) que permitan medir el impacto de la siguiente iniciativa:
"{iniciativa}"
Para cada indicador incluye:
- Código del indicador (ej: 4.2.1, 1.3.1, 16.10.1)
- Descripción del indicador
- Justificación breve de cómo se relaciona con la medición de la iniciativa
Formato de respuesta (una línea por indicador, ordenados por relevancia de mayor a menor):
Indicador [código]: [descripción] – [justificación]
Responde ÚNICAMENTE con el listado en el formato indicado, sin texto adicional."""
# Celda 4: Funciones de parsing por nivel
def parsear_ods(texto: str) -> list:
"""Extrae ODS de la respuesta."""
items = []
for linea in texto.strip().split("\n"):
linea = linea.strip()
if not linea:
continue
# Buscar patrón ODS [número]: [nombre] – [justificación]
match = re.match(r"(?:\d+\.\s*)?ODS\s*(\d+):?\s*(.+)", linea, re.IGNORECASE)
if match:
ods_num = match.group(1)
resto = match.group(2).strip()
items.append({
"ods_id": f"ODS {ods_num}",
"objetivo": resto
})
return items
def parsear_metas(texto: str) -> list:
"""Extrae metas de la respuesta."""
items = []
for linea in texto.strip().split("\n"):
linea = linea.strip()
if not linea:
continue
# Buscar patrón Meta [código]: [descripción]
match = re.match(r"(?:\d+\.\s*)?Meta\s*([\d\.]+):?\s*(.+)", linea, re.IGNORECASE)
if match:
meta_codigo = match.group(1)
resto = match.group(2).strip()
# Extraer ODS del código de meta
ods_num = meta_codigo.split(".")[0]
items.append({
"ods_id": f"ODS {ods_num}",
"meta_id": f"Meta {meta_codigo}",
"objetivo": resto
})
return items
def parsear_indicadores(texto: str) -> list:
"""Extrae indicadores de la respuesta."""
items = []
for linea in texto.strip().split("\n"):
linea = linea.strip()
if not linea:
continue
# Buscar patrón Indicador [código]: [descripción]
match = re.match(r"(?:\d+\.\s*)?Indicador\s*([\d\.]+):?\s*(.+)", linea, re.IGNORECASE)
if match:
ind_codigo = match.group(1)
resto = match.group(2).strip()
# Extraer ODS del código
ods_num = ind_codigo.split(".")[0]
items.append({
"ods_id": f"ODS {ods_num}",
"indicador_id": f"Indicador {ind_codigo}",
"objetivo": resto
})
return items
# Celda 5: Función de clasificación por nivel
def clasificar_nivel(iniciativa: str, nivel: str) -> dict:
"""Clasifica una iniciativa en un nivel específico (ods, meta, indicador)."""
prompts = {
"ods": PROMPT_ODS,
"meta": PROMPT_META,
"indicador": PROMPT_INDICADOR
}
parsers = {
"ods": parsear_ods,
"meta": parsear_metas,
"indicador": parsear_indicadores
}
try:
respuesta = client.chat_completion(
model="Qwen/Qwen2.5-7B-Instruct",
messages=[{"role": "user", "content": prompts[nivel].format(iniciativa=iniciativa)}],
max_tokens=1000,
temperature=0.3
)
texto = respuesta.choices[0].message.content
items = parsers[nivel](texto)
return {
"iniciativa": iniciativa,
"items": items,
"respuesta_raw": texto,
"error": None
}
except Exception as e:
return {
"iniciativa": iniciativa,
"items": [],
"respuesta_raw": "",
"error": str(e)
}
# Celda 6: Función principal de procesamiento por lotes
def procesar_lote(iniciativas: list, mostrar_progreso: bool = True) -> dict:
"""
Procesa un listado de iniciativas y genera 3 DataFrames:
- df_ods: Clasificación a nivel ODS
- df_metas: Clasificación a nivel Meta
- df_indicadores: Clasificación a nivel Indicador
"""
niveles = ["ods", "meta", "indicador"]
resultados = {nivel: [] for nivel in niveles}
total = len(iniciativas) * len(niveles)
contador = 0
for idx, iniciativa in enumerate(iniciativas):
iniciativa_id = f"INI_{idx + 1:04d}"
for nivel in niveles:
contador += 1
if mostrar_progreso:
print(f"[{contador}/{total}] {iniciativa_id} - {nivel.upper()}: {iniciativa[:50]}...")
resultado = clasificar_nivel(iniciativa, nivel)
if resultado["error"]:
resultados[nivel].append({
"INICIATIVA_ID": iniciativa_id,
"ODS_ID": "ERROR",
"OBJETIVO": resultado["error"],
"ods_rank": 0,
"iniciativa": iniciativa
})
else:
for rank, item in enumerate(resultado["items"], start=1):
fila = {
"INICIATIVA_ID": iniciativa_id,
"ODS_ID": item.get("ods_id", ""),
"OBJETIVO": item.get("objetivo", ""),
"ods_rank": rank,
"iniciativa": iniciativa
}
# Agregar columna específica del nivel si aplica
if nivel == "meta":
fila["META_ID"] = item.get("meta_id", "")
elif nivel == "indicador":
fila["INDICADOR_ID"] = item.get("indicador_id", "")
resultados[nivel].append(fila)
time.sleep(0.5) # evitar rate limits
# Crear DataFrames
df_ods = pd.DataFrame(resultados["ods"])
if not df_ods.empty and "INICIATIVA_ID" in df_ods.columns:
df_ods = df_ods[["INICIATIVA_ID", "ODS_ID", "OBJETIVO", "ods_rank", "iniciativa"]]
df_metas = pd.DataFrame(resultados["meta"])
if not df_metas.empty and "META_ID" in df_metas.columns:
df_metas = df_metas[["INICIATIVA_ID", "ODS_ID", "META_ID", "OBJETIVO", "ods_rank", "iniciativa"]]
df_indicadores = pd.DataFrame(resultados["indicador"])
if not df_indicadores.empty and "INDICADOR_ID" in df_indicadores.columns:
df_indicadores = df_indicadores[["INICIATIVA_ID", "ODS_ID", "INDICADOR_ID", "OBJETIVO", "ods_rank", "iniciativa"]]
# return {
# "df_ods": df_ods,
# "df_metas": df_metas,
# "df_indicadores": df_indicadores
# }
return df_ods, df_metas, df_indicadores
def procesar_desde_archivo(ruta_archivo: str, columna_iniciativa: str = None) -> dict:
"""Carga iniciativas desde CSV/Excel y las procesa."""
if ruta_archivo.endswith(".csv"):
df = pd.read_csv(ruta_archivo)
else:
df = pd.read_excel(ruta_archivo)
# Detectar columna si no se especifica
if columna_iniciativa is None:
for col in df.columns:
if any(x in col.lower() for x in ["iniciativa", "descripcion", "nombre", "proyecto"]):
columna_iniciativa = col
break
if columna_iniciativa is None:
columna_iniciativa = df.columns[0]
print(f"Usando columna: {columna_iniciativa}")
print(f"Total iniciativas: {len(df)}")
iniciativas = df[columna_iniciativa].astype(str).tolist()
return procesar_lote(iniciativas)
btn_mass_prompt = gr.Button("Procesar archivo")
with gr.Column():
output_ods_mass_prompt = gr.Dataframe(label="Resultados del análisis masivo ODS", visible=True, interactive=True)
output_meta_mass_prompt = gr.Dataframe(label="Resultados del análisis masivo Metas", visible=True, interactive=True)
output_indicadores_mass_prompt = gr.Dataframe(label="Resultados del análisis masivo Indicadores", visible=True, interactive=True)
btn_mass_prompt.click(
fn=procesar_desde_archivo,
inputs=[file_output, gr.State('iniciativa')],
outputs=[output_ods_mass_prompt, output_meta_mass_prompt, output_indicadores_mass_prompt],
show_progress=True
)
# ---
# ### 📚 Recursos Adicionales
# - **Documentación completa**: Consulta los archivos `.md` incluidos
# - **Código fuente**: `visualizaciones_ods.py`
# - **Documento Word**: `GUIA_VISUALIZACIONES_PUBLICO_GENERAL.docx`
# ---
# *Sistema de Visualización ODS | Febrero 2026 | Desarrollado con Python, Plotly, Matplotlib y Gradio*
# Pie de página
gr.Markdown("""
---
---
*Sistema de Visualización ODS - UNFPA | Marzo 2026 | Desarrollado con Python, Gradio y gemini-2.5-flash-lite*
""")
return app
# ============================================================================
# EJECUCIÓN DE LA APLICACIÓN
# ============================================================================
if __name__ == "__main__":
print("\n" + "="*70)
print("INICIANDO APLICACIÓN GRADIO - VISUALIZACIONES ODS")
print("="*70)
# if not DATOS_CARGADOS:
# print("\n⚠️ ADVERTENCIA: No se pudieron cargar los datos.")
# print(" Verifica que el archivo existe en:", RUTA_DATOS)
# print(" La aplicación se iniciará pero mostrará errores.")
# else:
# print(f"\n✓ Datos cargados correctamente: {len(df_global)} registros")
# print(f"✓ ODS únicos: {df_global['ods_id'].nunique()}")
print("\n" + "="*70)
print("CREANDO APLICACIÓN...")
print("="*70)
app = crear_app()
print("\n✓ Aplicación creada exitosamente")
print("\n" + "="*70)
print("INICIANDO SERVIDOR WEB...")
print("="*70)
print("\n🌐 La aplicación se abrirá en tu navegador automáticamente")
# print("📍 URL local: http://127.0.0.1:7860")
print("🌍 URL pública: Se generará si share=True\n")
print("💡 Presiona Ctrl+C para detener el servidor\n")
# Lanzar la aplicación
app.launch(
# theme="light",
# server_name="0.0.0.0", # Permite acceso desde cualquier IP
# server_port=7860, # Puerto por defecto
# share=True, # Cambiar a True para URL pública
show_error=True, # Mostrar errores en la interfaz
# quiet=False # Mostrar logs en consola
debug=True # Modo debug para desarrollo
)
|