updated app

corazao_con_block_y_theme.py → app.py

@@ -1,66 +1,7 @@
-# <h1 align="center">Heart Attack - EDA</h1>
-
-# 1. [Introducción](#1) <a id=18></a>
-#     - 1.1 [Diccionario de datos](#2)
-#     - 1.2 [Tarea](#3)
-# 2. [Preparación](#4)
-#     - 2.1 [Librerías](#5)
-#     - 2.2 [Datos](#6)
-#     - 2.3 [Entendimiento de los datos](#7)
-# 3. [Análisis Exploratorio de Datos](#8)
-#     - 3.1 [Análisis univariado](#9)
-#     - 3.2 [Análisis bivariado](#10)
-# 4. [Preprocesamiento de los datos](#11)
-#     - 4.1 [Conclusiones del EDA](#12)
-#     - 4.2 [Librerías](#13)
-#     - 4.3 [Preparando las características para el modelo](#14)
-# 5. [Modelado](#15)
-#     - 5.1 [Clasificadores lineales](#16)
-#     - 5.2 [Modelos de árbol](#17)
-
-# ### 1. Introducción <a id=1></a>
-# [Volver al inicio](#18)
-
-# #### 1.1 Diccionario de datos <a id=2></a>
-# `age` - Edad
-# 
-# `sex` - Sexo del paciente
-# 
-# `cp` - Tipo de dolor torácico ~ 0 = Angina típica, 1 = Angina atípica, 2 = Dolor no anginal, 3 = Asintomático
-# 
-# `trtbps` - Presión arterial en reposo (en mm Hg)
-# 
-# `chol` - Colesterol en mg/dl obtenido a través del sensor de IMC
-# 
-# `fbs` - (azúcar en sangre en ayunas > 120 mg/dl) ~ 1 = Verdadero, 0 = Falso
-# 
-# `restecg` - Resultados electrocardiográficos en reposo ~ 0 = Normal, 1 = Normalidad de la onda ST-T, 2 = Hipertrofia ventricular izquierda
-# 
-# `thalachh`  - Ritmo cardíaco máximo alcanzado
-# 
-# `oldpeak` - Pico anterior
-# 
-# `slp` - Inclinación
-# 
-# `caa` - Número de vasos principales
-# 
-# `thall` - Resultado de la prueba de esfuerzo con talio ~ (0,3)
-# 
-# `exng` - Angina inducida por ejercicio ~ 1 = Sí, 0 = No
-# 
-# `output` - Variable objetivo
-
-# #### 1.2 Tarea <a id=3></a>
-# Realizar un análisis exploratorio de datos y predecir si una persona es propensa a sufrir un ataque al corazón o no.
-
-# ### 2. Preparación <a id=4></a>
-# [Volver al inicio](#18)
-
-# #### 2.1 Librerías <a id=5></a>
-
-# ##### 3.1.1 Histogramas de características categóricas
-
-# In[1]:
+#!/usr/bin/env python
+# coding: utf-8
+
+# In[ ]:
 
 
 # Importacion de librerias
@@ -74,35 +15,13 @@ import warnings
 warnings.filterwarnings("ignore")
 
 
-# #### 2.2 Datos <a id=6></a>
-
-# In[2]:
+# In[ ]:
 
 
 df = pd.read_csv("heart.csv")
 
 
-# #### 2.3 Entendimiento de los Datos <a id=7></a>
-
-# ##### 2.3.1 El tamaño del dataframe
-
-# In[3]:
-
-
-print("El tamaño del dataframe es de: ", df.shape)
-
-
-# ##### 2.3.2 Vista previa de las primeras 5 filas de los datos
-
-# In[4]:
-
-
-df.head()
-
-
-# ##### 2.3.3 Verificar el numero de valores unicos que se encuentran en cada columna
-
-# In[5]:
+# In[ ]:
 
 
 dict = {}
@@ -112,9 +31,7 @@ for i in list(df.columns):
 pd.DataFrame(dict,index=["unique count"]).transpose()
 
 
-# ##### 2.3.4 Separando las columnas en categoricas y continuas
-
-# In[6]:
+# In[ ]:
 
 
 cat_cols = ['sex','exng','caa','cp','fbs','restecg','slp','thall']
@@ -125,39 +42,7 @@ print("Columnas continuas: ", con_cols)
 print("Variable dependiente: ", target_col)
 
 
-# ##### 2.3.5 Resumen de estadísticas
-
-# In[7]:
-
-
-df[con_cols].describe().transpose()
-
-
-# ##### 2.3.6 Valores perdidos
-
-# ### 4. Preprocesamiento de los datos <a id=11></a>
-# [Volver al inicio](#18)
-
-# #### 4.1 Conclusiones del EDA <a id=12></a>
-# 
-# 1. No hay valores NaN en los datos.
-# 2. Hay ciertos valores atípicos (outliers) en todas las variables continuas.
-# 3. Los datos consisten en más del doble de personas con sexo = 1 que con sexo = 0.
-# 4. No hay una correlación lineal aparente entre las variables continuas según el mapa de calor.
-# 5. La matriz de gráficos de dispersión sugiere que puede haber alguna correlación entre output y cp, thalachh y slp.
-# 6. Es intuitivo pensar que las personas mayores podrían tener más probabilidades de sufrir un ataque cardíaco, pero según el gráfico de distribución de edad en relación a output, queda claro que este no es el caso.
-# 7. Según el gráfico de distribución de thalachh en relación a output, las personas con mayor frecuencia cardíaca máxima alcanzada tienen más probabilidades de sufrir un ataque cardíaco.
-# 8. Según el gráfico de distribución de oldpeak en relación a output, las personas con un pico anterior más bajo tienen más probabilidades de sufrir un ataque cardíaco.
-# 9. El gráfico 3.2.4 indica lo siguiente:
-#     - Las personas con dolor de pecho no anginoso, es decir, con cp = 2, tienen más probabilidades de sufrir un ataque cardíaco.
-#     - Las personas sin vasos principales, es decir, con caa = 0, tienen una alta probabilidad de sufrir un ataque cardíaco.
-#     - Las personas con sexo = 1 tienen una mayor probabilidad de sufrir un ataque cardíaco.
-#     - Las personas con thall = 2 tienen muchas más probabilidades de sufrir un ataque cardíaco.
-#     - Las personas sin angina inducida por el ejercicio, es decir, con exng = 0, tienen más probabilidades de sufrir un ataque cardíaco.
-
-# #### 4.2 Librerias <a id=13></a>
-
-# In[8]:
+# In[ ]:
 
 
 # Escalamiento
@@ -185,12 +70,7 @@ from sklearn.model_selection import GridSearchCV
 print('Packages imported...')
 
 
-# 
-# #### 4.3 Preparando las características para el modelo <a id=14></a>
-
-# ##### 4.3.1 Escalado y codificación de características
-
-# In[9]:
+# In[ ]:
 
 
 # Creación de una copia del df
@@ -216,26 +96,13 @@ print("Las primeras 5 filas de X")
 X.head()
 
 
-# ##### 4.3.2 División de los datos de entrenamiento y prueba
-
-# In[10]:
+# In[ ]:
 
 
 X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 0.2, random_state = 42)
-print("El tamaño de X_train es      ", X_train.shape)
-print("El tamaño de X_test es        ",X_test.shape)
-print("El tamaño de y_train es       ",y_train.shape)
-print("El tamaño de y_test es        ",y_test.shape)
-
-
-# ### 5. Modelado <a id=15></a>
-# [Volver al inicio](#18)
 
-# #### 5.1 Clasificadores lineales <a id=16></a>
 
-# ##### 5.1.3 Regresión Logística
-
-# In[11]:
+# In[ ]:
 
 
 # Instanciamiento del objeto
@@ -254,15 +121,7 @@ y_pred = np.argmax(y_pred_proba,axis=1)
 print("El puntaje de precisión en la prueba de Regresión Logística es ", accuracy_score(y_test, y_pred))
 
 
-# # GRADIO
-
-# In[12]:
-
-
-get_ipython().system('pip install -q gradio')
-
-
-# In[13]:
+# In[ ]:
 
 
 #Importamos gradio
@@ -272,262 +131,196 @@ import gradio as gr
 # In[ ]:
 
 
+# creación de tema personalizado
+custom_theme = gr.themes.Soft(
+  primary_hue="emerald",
+  secondary_hue="teal",
+  neutral_hue="stone",
+  text_size="lg",
+  spacing_size="sm",
+  radius_size="lg"
+  ).set(
+    body_background_fill='stat_background_fill',
+    body_background_fill_dark='neutral_800',
+    body_text_color_subdued='primary_100',
+    body_text_weight='500',
+    background_fill_primary_dark='neutral_700',
+    background_fill_secondary_dark='background_fill_neutral',
+    border_color_accent='primary_600',
+    border_color_accent_dark='neutral_950',
+    color_accent='neutral_800',
+    color_accent_soft_dark='body_text_color_subdued',
+    link_text_color='neutral_800',
+    link_text_color_dark='border_color_primary',
+    prose_text_weight='500',
+    prose_header_text_weight='400',
+    block_background_fill='neutral_700',
+    block_border_color_dark='neutral_950',
+    block_border_width_dark='1 px',
+    block_info_text_size='text_md',
+    block_label_background_fill_dark='primary_800',
+    checkbox_background_color='neutral_200',
+    checkbox_background_color_dark='neutral_950',
+    checkbox_background_color_focus_dark='neutral_800',
+    checkbox_border_color='neutral_300',
+    checkbox_border_color_dark='neutral_800'
+)
 
 
+# In[ ]:
 
-# In[14]:
-
-
-# Creamos la función con la que generaremos predicciones mediante el llenado de los
-# valores de las variables
-def diagnosticar(age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall):
-  
-  paciente_info = {
-     'age'       :   [age],    
-     'sex'       :   [sex],    
-     'cp'        :   [cp],    
-     'trtbps'    :   [trtbps],  
-     'chol'      :   [chol],  
-     'fbs'       :   [fbs],    
-     'restecg'   :   [restecg],    
-     'thalachh'  :   [thalachh],  
-     'exng'      :   [exng],  
-     'oldpeak'   :   [oldpeak],  
-     'slp'       :   [slp],    
-     'caa'       :   [caa],    
-     'thall'     :   [thall]    
-  }
-
-  paciente = pd.DataFrame(paciente_info)
-
-  # Codificando las columnas categoricas
-  paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
-
-  # Definiendo los atributos independientes y el atributo dependiente
-  all_cols = set(X_train.columns)
-
-  missing_cols = all_cols - set(paciente_dummy.columns)
-  for col in missing_cols:
-    paciente_dummy[col] = 0
-
-  paciente_dummy = paciente_dummy[X_train.columns]
-
-  paciente[con_cols] = scaler.transform(paciente[con_cols])
-
-
-  # Haciendo predicciones en nuevos datos
-  prediccion = logreg.predict(paciente_dummy)
-
-  #crear graficas para comparar el paciente con la media o el resto del dataset
-
-  if prediccion == 0:
-    return "No se presenta riesgo de un infarto"
-  else:
-    return "Existe riesgo de infarto\nPor favor visite a un medico"
-
-
-
-
-
-
-
-# ### Creamos la lista de campos de entrada para la interface
-
-# In[15]:
 
+# Crear archivos temporales para guardar el grafico en una imagen
+import tempfile
 
-# Lista de entradas de datos
-inputs_list =[
-    gr.Textbox(label="Edad",placeholder="Ingrese su edad en años."),
 
-gr.Dropdown(label="Sexo",
-            choices=["0","1"],
-            info="Mujer (0)\nHombre (1)",
-            placeholder="Seleccione la opción correspondiente."),
+# In[ ]:
 
-gr.Dropdown(label="Tipo de dolor toracico",
-            info="0 = Angina típica\n1 = Angina atípica\n2 = Dolor no anginal\n3 = Asintomático",
-            choices=["0","1","2","3"],
-            placeholder="Seleccione la opción correspondiente."),
 
-gr.Textbox(label="Presión arterial en reposo",
-           info="(en mm Hg)",
-           placeholder="Ingrese su presión arterial."),
+def crear_grafico(datos_paciente):
+  features_mean_df= pd.DataFrame([df.mean(axis = 0)])
+  features_mean_df = features_mean_df.drop(['output'], axis = 1)
+  
+  # Valores para X y Y para la media
+  x_plot = features_mean_df.columns.values   # Nombre columnas
+  y_plot_means = features_mean_df.iloc[0].values        # Medias
 
-gr.Textbox(label="Colesterol",
-           info="(en mg/dl obtenido a través del sensor de IMC)",
-           placeholder="Ingrese su nivel de colesterol."),
+  # Valores para X y Y para los datos ingresados del paciente
+  y_plot_paciente = pd.DataFrame(datos_paciente).iloc[0].values
 
-gr.Dropdown(label="Azúcar en sangre en ayunas",
-            info = "¿Es mayor a 120 mg/dl?\nSi (1) No (0)",
-            choices =["0","1"],
-            placeholder="Seleccione la opción correspondiente."),
+  # Crear el gráfico de barras para la media del dataset
+  fig, ax = plt.subplots()    
+  width = 0.35 # the width of the bars 
+  ind = np.arange(len(y_plot_means))  # the x locations for the groups
+  # Gráfico de barras para la media
+  ax.barh(ind, y_plot_means, width, color="darkseagreen", label='Media')
 
-gr.Dropdown(label="Resultados electrocardiográficos en reposo",
-            choices=["0","1","2"],
-            info="0 = Normal\n1 = Normalidad de la onda ST-T\n2 = Hipertrofia ventricular izquierda",
-            placeholder="Seleccione la opción correspondiente."),
+  # Gráfico de barras para los datos del paciente
+  ax.barh(ind + width, y_plot_paciente.astype(float), width, color="skyblue")
 
-gr.Textbox(label="Ritmo cardíaco máximo alcanzado",
-           placeholder="Ingrese su ritmo cardíaco."),
+  ax.set_yticks(ind+width/2)
+  ax.set_yticklabels(x_plot, minor=False)
 
-gr.Dropdown(label="Angina inducida por ejercicio",
-            choices=["0","1"],
-            info= "Si (1)\nNo (0)",
-            placeholder="Seleccione la opción correspondiente."),
+  plt.title('Valor promedio de cada atributo')
+  plt.xlabel('Media')
+  plt.ylabel('Atributo')      
 
-gr.Textbox(label ="Depresión ST(Old Peak)",
-           info="Inducida por el ejercicio en relación al reposo.",
-           placeholder="Ingrese el valor correspondiente."),
+  plt.legend()
+  fig.set_facecolor("mediumaquamarine")
+  ax.set_facecolor("mintcream")
 
-gr.Textbox(label="Pendiente del segmento ST",
-           #info="El segmento ST normalmente debe ser horizontal o ligeramente\nascendente desde la línea de base, y cualquier desviación puede\nindicar una lesión o isquemia cardíaca. La pendiente del segmento\nST se mide en grados, y se utiliza como un indicador de la\npresencia y la gravedad de la isquemia."
-           info="-- Valor 1: ascendente\n-- Valor 2: horizontal\n-- Valor 3: descendente",
-           placeholder="Ingrese el valor en el pico del ejercicio."),
+  # for i, v in enumerate(y_plot_paciente):
+  #   ax.text(v + 4, i + width + .33, str(round(v, 2)), color='steelblue', fontweight='bold')
 
-gr.Dropdown(label="Número de vasos principales",
-            info="Valor obtenido en Fluoroscopia ",
-            choices=["0","1","2","3"],
-            placeholder="Seleccione la opción correspondiente."),
+  for i, v in enumerate(y_plot_means):
+    ax.text(v + 4, i + .25, str(round(v, 2)), color='forestgreen', fontweight='bold')
 
-gr.Dropdown(label="Resultado de la prueba de esfuerzo con talio",
-            info="1 = normal.\n2 = defecto fijo.\n3 = defecto reversible.",
-            choices=["1","2","3"],
-            placeholder="Seleccione la opción correspondiente.")]
+  # Guardar la figura en un archivo temporal
+  with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as temp_file:
+    fig.savefig(temp_file, format='png')
+    temp_file.close()
+    temp_filename = temp_file.name
 
+  return temp_filename
 
-# ### Creación de block, en vez de interface
 
-# In[16]:
+# In[ ]:
 
 
-#import gradio as gr
 # Creamos la función con la que generaremos predicciones mediante el llenado de los
-# valores de las variables
+# valores de las variables y validaremos los valores que contienen los campos
 def diagnosticar(age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall):
-  
-  paciente_info = {
-     'age'       :   [age],    
-     'sex'       :   [sex],    
-     'cp'        :   [cp],    
-     'trtbps'    :   [trtbps],  
-     'chol'      :   [chol],  
-     'fbs'       :   [fbs],    
-     'restecg'   :   [restecg],    
-     'thalachh'  :   [thalachh],  
-     'exng'      :   [exng],  
-     'oldpeak'   :   [oldpeak],  
-     'slp'       :   [slp],    
-     'caa'       :   [caa],    
-     'thall'     :   [thall]    
-  }
-
-  paciente = pd.DataFrame(paciente_info)
-
-  # Codificando las columnas categoricas
-  paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
-
-  # Definiendo los atributos independientes y el atributo dependiente
-  all_cols = set(X_train.columns)
-
-  missing_cols = all_cols - set(paciente_dummy.columns)
-  for col in missing_cols:
-    paciente_dummy[col] = 0
-
-  paciente_dummy = paciente_dummy[X_train.columns]
-
-  paciente[con_cols] = scaler.transform(paciente[con_cols])
-
-
-  # Haciendo predicciones en nuevos datos
-  prediccion = logreg.predict(paciente_dummy)
-
-  #crear graficas para comparar el paciente con la media o el resto del dataset
-  #
-  #
-  #
-
-
-  if prediccion == 0:
-    return "No se presenta riesgo de un infarto"
+  # ---código para validación de campos---
+  # Creamos una lista donde se almacenarán los nombres de todos los campo de la UI
+  nombres_campos = ['Edad', 'Sexo', 'Tipo de dolor toracico',
+                    'Presión arterial en reposo', 'Colesterol',
+                    'Azúcar en sangre en ayunas',
+                    'Resultados electrocardiográficos en reposo',
+                    'Ritmo cardíaco máximo alcanzado',
+                    'Angina inducida por ejercicio',
+                    'Depresión ST(Old Peak)', 'Pendiente del segmento ST', 
+                    'Número de vasos principales',
+                    'Resultado de la prueba de esfuerzo con talio']
+
+  # creamos una lista donde se almacenan los valores de los campos
+  inputs = [age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall]
+
+  if all(var is not None and (var!= "" )and (var!= '') for var in inputs):
+    # verdadero si todas las variables tienen valores distintos a nulo
+    not_nulls = True;
   else:
-    return "Existe riesgo de infarto\nPor favor visite a un medico"
-
-
-# In[17]:
-
-
-# creación de tema a medida
-custom_theme = gr.themes.Soft(
-  primary_hue="teal",
-  secondary_hue="cyan",
-  neutral_hue="zinc"
-  ).set(
-    body_background_fill='*stat_background_fill',
-    body_background_fill_dark='*neutral_800',
-    body_text_color_subdued='*primary_100',
-    body_text_weight='500',
-    background_fill_primary_dark='*neutral_700',
-    background_fill_secondary_dark='*background_fill_primary',
-    border_color_accent='*primary_600',
-    border_color_accent_dark='*neutral_950',
-    color_accent='*neutral_800',
-    color_accent_soft_dark='*body_text_color_subdued',
-    link_text_color='*neutral_800',
-    link_text_color_dark='*border_color_primary',
-    prose_text_weight='500',
-    prose_header_text_weight='400',
-    block_background_fill='*neutral_700',
-    block_border_color_dark='*neutral_950',
-    block_border_width_dark='1 px',
-    block_info_text_size='*text_md',
-    block_label_background_fill_dark='*primary_800',
-    checkbox_background_color='*neutral_200',
-    checkbox_background_color_dark='*neutral_950',
-    checkbox_background_color_focus_dark='*neutral_800',
-    checkbox_border_color='*neutral_300',
-    checkbox_border_color_dark='*neutral_800'
-)
-
-
-# In[18]:
-
-
-theme = gr.themes.Soft(
-    primary_hue="red",
-    secondary_hue="orange",
-    neutral_hue="zinc"
-).set(body_background_fill='*stat_background_fill',
-    body_background_fill_dark='*neutral_800',
-    body_text_color_subdued='*primary_100',
-    body_text_weight='500',
-    background_fill_primary_dark='*neutral_700',
-    background_fill_secondary_dark='*background_fill_primary',
-    border_color_accent='*primary_600',
-    border_color_accent_dark='*neutral_950',
-    color_accent='*neutral_800',
-    color_accent_soft_dark='*body_text_color_subdued',
-    link_text_color='*neutral_800',
-    link_text_color_dark='*border_color_primary',
-    prose_text_weight='500',
-    prose_header_text_weight='400',
-    block_background_fill='*neutral_700',
-    block_border_color_dark='*neutral_950',
-    block_border_width_dark='1 px',
-    block_info_text_size='*text_md',
-    block_label_background_fill_dark='*primary_800',
-    checkbox_background_color='*neutral_200',
-    checkbox_background_color_dark='*neutral_950',
-    checkbox_background_color_focus_dark='*neutral_800',
-    checkbox_border_color='*neutral_300',
-    checkbox_border_color_dark='*neutral_800')
+    # falso si alguna de las variables tiene un valor nulo
+    not_nulls = False
+    # creamos una lista la cual contendra una tupla, donde se tendrá el nombre del campo y su valor nulo 
+    campos_con_nulos = [nombres_campos[i] for i in range(len(inputs)) if (inputs[i] == "") or (inputs[i] == '') or (inputs[i] is None)]
+    # Dependiendo de la cantidad de campos vacíos mostraremos su error correspondiente
+    if len(campos_con_nulos) == 1:
+        raise gr.Error(message = f"Falta el campo: {campos_con_nulos} por llenar!")
+    else:
+      # creamos una cadena a partir de la lista campos_con_nulos
+      # juntaremos todos los registros en una sola cadena y separaremos el nombre
+      # de cada campo con una coma, seguido de un espacio y antes de que se
+      # muestre el nombre del campo se escribe una viñeta, esto para facilitarle
+      # al usuario la identificación de los campos vacíos
+      campos_faltantes = ',  •'.join([campo for campo in campos_con_nulos])
+      raise gr.Error(message = f"¡Faltan por llenar {len(campos_con_nulos)} campos!: •{campos_faltantes}")
+    
+    #---código para generar las predicciones---
+  if(not_nulls):
+    paciente_info = {
+      'age'       :   [age],    
+      'sex'       :   [sex],    
+      'cp'        :   [cp],    
+      'trtbps'    :   [trtbps],  
+      'chol'      :   [chol],  
+      'fbs'       :   [fbs],    
+      'restecg'   :   [restecg],    
+      'thalachh'  :   [thalachh],  
+      'exng'      :   [exng],  
+      'oldpeak'   :   [oldpeak],  
+      'slp'       :   [slp],    
+      'caa'       :   [caa],    
+      'thall'     :   [thall]    
+    }
+    # creacion de DF para almacenar la información del paciente o usuario que
+    # quiera generar una predicción
+    paciente = pd.DataFrame(paciente_info)
+
+    #crear graficas para comparar el paciente con la media o el resto del dataset
+    graph = crear_grafico(paciente)
+
+    # Codificando las columnas categoricas
+    paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
+
+    # Definiendo los atributos independientes y el atributo dependiente
+    all_cols = set(X_train.columns)
+
+    missing_cols = all_cols - set(paciente_dummy.columns)
+    for col in missing_cols:
+      paciente_dummy[col] = 0
+
+    paciente_dummy = paciente_dummy[X_train.columns]
+
+    paciente[con_cols] = scaler.transform(paciente[con_cols])
+
+    # Haciendo predicciones en nuevos datos
+    prediccion = logreg.predict(paciente_dummy)
+
+
+    if prediccion == 0:
+      return ("No se presenta riesgo de un infarto", graph)
+    else:
+      return ("Existe riesgo de infarto\nPor favor visite a un medico", graph)
+  else:
+    raise gr.Error("¡ERROR CRÍTICO.- Consulte a los desarrolladores.")
+    
 
 
-# In[19]:
+# In[ ]:
 
 
 # Creación de block
-with gr.Blocks(title="Predicción de riesgo de un IAM", theme = theme) as modelo:
+with gr.Blocks(title="Predicción de riesgo de un IAM", theme = custom_theme) as modelo:
   gr.Markdown(
         """
     # Predicción de riesgo de un IAM
@@ -595,10 +388,12 @@ with gr.Blocks(title="Predicción de riesgo de un IAM", theme = theme) as modelo
       prediction_btn = gr.Button(value = "Generar")
   with gr.Row():
     prediction = gr.Textbox(label=("Resultado"))
+  with gr.Row():
+    graphGR = gr.Image(label=("Grafica"))
 
   prediction_btn.click(diagnosticar, 
                        inputs = [age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall], 
-                       outputs = prediction,
+                       outputs = [prediction, graphGR],
                        api_name = "prediccion-riesgo-iam")
   examples = gr.Examples(label="Ejemplos",  examples=[
       [64, 1, 0, 120, 246, 0, 0, 96, 1, 2.2, 0, 1, 2], # riesgo inexistente
@@ -608,85 +403,8 @@ with gr.Blocks(title="Predicción de riesgo de un IAM", theme = theme) as modelo
       ], inputs=[age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall])
 
 
-# In[20]:
-
-
-#modelo.theme = custom_theme
-
-
-# In[21]:
-
-
-modelo.launch(share = True, debug=True)
-
-
-# ### Uso de interfaz y no de block
-
-# In[ ]:
-
-
-# creamos la instancia de la interfaz
-iface = gr.Interface(fn = diagnosticar, inputs = inputs_list, outputs=["text"], examples=[
-    [64, 1, 0, 120, 246, 0, 0, 96, 1, 2.2, 0, 1, 2], # riesgo inexistente
-    [43,0,0,132,341,1,0,136,1,3,1,0,3,0], # riesgo inexistente
-    [50,0,2,120,219,0,1,158,0,1.6,1,0,2,1], # hay riesgo
-    [37,1,2,130,250,0,1,187,0,3.5,0,0,2],# hay riesgo
-    ],
-    theme=gr.themes.Soft(),
-    description="Modelo de Regresión Lineal para identificar la existencia de riesgo de un ataque al corazón (IAM)"
-)
-
-
-# In[ ]:
-
-
-# inicializamos la interfaz
-iface.launch(share=True, debug=True)
-
-
-# ## Codigo para predicciones individuales
-
 # In[ ]:
 
 
-# Creamos el registro de un nuevo paciente
-paciente_info = {
-     'age'       :   [64],    
-     'sex'       :   [1],    
-     'cp'        :   [0],    
-     'trtbps'    :   [120],  
-     'chol'      :   [246],  
-     'fbs'       :   [0],    
-     'restecg'   :   [0],    
-     'thalachh'  :   [96],  
-     'exng'      :   [1],  
-     'oldpeak'   :   [2.2],  
-     'slp'       :   [0],    
-     'caa'       :   [1],    
-     'thall'     :   [2],    
-}
-
-paciente = pd.DataFrame(paciente_info)
-
-# Codificando las columnas categoricas
-paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
-
-# Definiendo los atributos independientes y el atributo dependiente
-all_cols = set(X_train.columns)
-
-missing_cols = all_cols - set(paciente_dummy.columns)
-for col in missing_cols:
-  paciente_dummy[col] = 0
-
-paciente_dummy = paciente_dummy[X_train.columns]
-
-paciente[con_cols] = scaler.transform(paciente[con_cols])
-
-
-# Haciendo predicciones en nuevos datos
-y_new_pred = logreg.predict(paciente_dummy)
-if y_new_pred == 0:
-  print("No se presenta riesgo de un infarto")
-else:
-  print("Existe riesgo de infarto\nPor favor visite a un medico")
+modelo.launch(share = True, debug=True)
 

requirements.txt

@@ -0,0 +1,5 @@
+scikit-learn
+pandas 
+numpy 
+matplotlib
+torch