app.py

import gradio as gr
import pandas as pd
import numpy as np
from datetime import datetime
import joblib
from tensorflow.keras.models import load_model
from huggingface_hub import hf_hub_download

# Configuración
HF_USER = "DomiDelgado2314"
REPO_NAME = "ProyectoFIN"
CSV_EJEMPLO_URL = f"https://huggingface.co/{HF_USER}/{REPO_NAME}/resolve/main/ejemplo_para_usuario.csv"

# Descargar archivos del repositorio Hugging Face
scaler_path = hf_hub_download(repo_id=f"{HF_USER}/{REPO_NAME}", filename="scaler.save")
model_path = hf_hub_download(repo_id=f"{HF_USER}/{REPO_NAME}", filename="modelo_bitcoin.keras")

# Cargar scaler y modelo
scaler = joblib.load(scaler_path)
model = load_model(model_path)

# Columnas esperadas por el modelo
model_columns = [
    'Volumen_Bitcoin', 'Tasa_Deposito_BCE', 'Indice_Materias_Pri_BCOM',
    'IPC_China', 'Indice_Dolar_DXY', 'IPC_Zona_Euro', 'Tasa_Desempleo_Zona_Euro',
    'Tasa_Fondos_FED', 'Precio_Oro_USD', 'Cierre_Nasdaq', 'Direcciones_Activas_Bitcoin',
    'Cierre_SP500', 'Cierre_Stoxx50', 'IPC_EEUU', 'Tasa_Desempleo_EEUU',
    'Indice_Volatilidad_VIX', 'Volumen_Comercio_Global'
]

# Validar formato de fecha
def validar_fecha(fecha_str):
    try:
        fecha = datetime.strptime(fecha_str, "%Y-%m-%d")
    except:
        return False, "Formato de fecha inválido. Usa YYYY-MM-DD."
    if fecha <= datetime(2025, 5, 16):
        return False, "Fecha debe ser posterior al 2025-05-16."
    if fecha > datetime(2025, 12, 31):
        return False, "Fecha no puede ser posterior al 2025-12-31."
    return True, fecha

# Función de predicción
def predecir_precio(csv_file, fecha_str):
    valido, res = validar_fecha(fecha_str)
    if not valido:
        return res
    fecha = res

    try:
        df_user = pd.read_csv(csv_file.name)
    except Exception as e:
        return f"Error al leer CSV: {e}"

    faltantes = [col for col in model_columns if col not in df_user.columns]
    if faltantes:
        return f"Faltan columnas obligatorias en CSV: {faltantes}"

    df_vars = df_user[model_columns].copy()

    try:
        X_scaled = scaler.transform(df_vars)
    except Exception as e:
        return f"Error al escalar variables: {e}"

    año, mes, dia = fecha.year, fecha.month, fecha.day
    X_df = pd.DataFrame(X_scaled, columns=model_columns)
    X_df["Año"], X_df["Mes"], X_df["Día"] = año, mes, dia
    X_input = X_df.to_numpy()

    try:
        pred_scaled = model.predict(X_input)
    except Exception as e:
        return f"Error en la predicción: {e}"

    precio_pred = pred_scaled.flatten()[0]
    return f"Predicción de Precio de Bitcoin para {fecha_str}: {precio_pred:,.2f} USD"

# Interfaz Gradio
with gr.Blocks() as demo:
    gr.Markdown("## 🪙 Predicción Precio Bitcoin")
    gr.Markdown(f"📥 [Descarga aquí el CSV de ejemplo]({CSV_EJEMPLO_URL})")
    csv_input = gr.File(label="Sube tu archivo CSV con las variables")
    fecha_input = gr.Textbox(label="Fecha a predecir (YYYY-MM-DD)", value="2025-05-17")
    btn_predict = gr.Button("Predecir Precio")
    output_msg = gr.Textbox(label="Resultado", interactive=False)

    btn_predict.click(
        fn=predecir_precio,
        inputs=[csv_input, fecha_input],
        outputs=output_msg
    )

demo.launch()