Guardar mis cambios locales

app.py

@@ -6,12 +6,30 @@ import joblib
 model = joblib.load("arima_sales_model.pkl")
 
 # Función para hacer predicciones con el modelo
-def predict(data):
-    prediction = model.predict([data])
-    return prediction
+def predict(file):
+    # Leer el archivo CSV
+    data = pd.read_csv(file.name)
+    
+    # Asegúrate de que el archivo tenga las columnas necesarias
+    if 'Date' not in data.columns or 'Sales' not in data.columns:
+        return "El archivo debe contener las columnas 'Date' y 'Sales'."
+    
+    # Aquí puedes agregar tu lógica de predicción con el modelo
+    # Por ejemplo, model.predict(data['Sales'])
+    prediction = model.predict(data['Sales'].values.reshape(-1, 1))  # Suponiendo que es una serie temporal
+    
+    return f"Predicción de ventas: {prediction}"
 
 # Crear la interfaz interactiva en Gradio
-iface = gr.Interface(fn=predict, inputs=gr.Textbox(label="Ingresa los datos para predecir"), outputs="text")
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.File(label="Sube los datos de tu tienda (debe contener Date y Sales)", file_count="single", file_types=[".csv"]),
+    outputs="text",
+    title="MLCast v1.1",
+    description="Un sistema inteligente de pronóstico de ventas. Suba los datos de su tienda para proceder (debe contener al menos Date y Sales).",
+    theme="huggingface",
+    allow_flagging="never"
+)
 
 # Ejecutar la interfaz
 iface.launch()