Update app.py

app.py

@@ -1,5 +1,5 @@
-# ====================    El Detective de Alimentos (Versión 3.0 - Refinada)  =====================================
-# Mejoras: Base de conocimiento de alimentos expandida, búsqueda de síntomas flexible y generación de respuestas mejorada.
+# ====================    El Detective de Alimentos (Versión 4.0 - Transparencia con Gráficos)  =====================================
+# Mejoras: Gráfico de relevancia de resultados, desglose de puntuación y motor de búsqueda modificado.
 
 import streamlit as st
 import google.generativeai as genai
@@ -8,6 +8,8 @@ import os
 import json
 import logging
 import re
+import pandas as pd
+import altair as alt # <-- LIBRERÍA NUEVA
 
 st.set_page_config(
     page_title="El Detective de Alimentos",
@@ -15,6 +17,7 @@ st.set_page_config(
     layout="wide"
 )
 
+# ... (El código de configuración de Gemini y carga de datos no cambia) ...
 # Configurar logging
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
@@ -74,32 +77,27 @@ def load_data():
 
 alimentos_data, lista_condiciones = load_data()
 
-# DICCIONARIO DE TRADUCCIÓN AMPLIADO
 FOOD_TO_COMPOUND_MAP = {
-    # Gluten
+    # ... (el diccionario expandido no cambia) ...
     "pan": ["gluten"], "trigo": ["gluten"], "harina de trigo": ["gluten"], "cebada": ["gluten"], 
     "centeno": ["gluten"], "pasta": ["gluten"], "galletas": ["gluten"], "avena": ["gluten"], "pizza": ["gluten"], "torta": ["gluten"],
-    # Lácteos
     "leche": ["lácteos", "caseína", "lactosa"], "queso": ["lácteos", "caseína", "lactosa", "histamina", "tiramina"], 
     "yogur": ["lácteos", "caseína", "lactosa"], "mantequilla": ["lácteos", "caseína", "lactosa"], "crema": ["lácteos"], "helado": ["lácteos"],
-    # Fenoles y Salicilatos
     "manzana": ["salicilatos", "fructosa"], "almendras": ["salicilatos"], "uvas": ["salicilatos"], "pasas": ["salicilatos"], 
     "naranja": ["salicilatos"], "brócoli": ["salicilatos", "goitrógenos"], "cúrcuma": ["salicilatos"],
-    # Azúcares y Fructosa
     "azucar": ["azúcar", "fructosa"], "dulces": ["azúcar"], "refrescos": ["azúcar", "fructosa"], "gaseosas": ["azúcar", "fructosa"],
     "miel": ["fructosa"], "jarabe de maiz": ["fructosa"],
-    # Aminas (Histamina, Tiramina)
     "vino tinto": ["histamina", "tiramina", "sulfitos"], "vino rojo": ["histamina", "tiramina", "sulfitos"],
     "cerveza": ["histamina", "tiramina", "purinas"], "chocolate": ["cafeína", "tiramina", "níquel"],
     "embutidos": ["histamina", "tiramina", "nitritos"], "pescado enlatado": ["histamina"], "tomate": ["histamina", "solaninas"],
-    # Otros
     "carne": ["alfa-gal", "proteínas", "purinas", "hierro"], "carnes rojas": ["purinas", "alfa-gal", "hierro"],
     "mariscos": ["purinas", "sulfitos", "alérgenos", "yodo"], "huevo": ["alérgenos"], "soya": ["alérgenos"],
     "café": ["cafeína", "ácidos"]
 }
 
-# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS (ENFOQUE HÍBRIDO REFINADO) ---
+# --- LÓGICA DE BÚSQUEDA Y ANÁLISIS ---
 
+# ... (La función extract_and_infer_with_gemini no cambia) ...
 def extract_and_infer_with_gemini(query, condiciones):
     """Extrae entidades e infiere una condición probable."""
     if not model: return None
@@ -125,8 +123,11 @@ def extract_and_infer_with_gemini(query, condiciones):
         st.error(f"Hubo un problema al interpretar tu consulta con la IA.")
         return None
 
+# --- FUNCIÓN DE BÚSQUEDA MODIFICADA ---
 def find_best_matches_hybrid(entities, data):
-    """Motor de búsqueda híbrido (v3.0) con puntuación ponderada y búsqueda de síntomas flexible."""
+    """
+    Motor de búsqueda híbrido (v4.0) que devuelve un desglose detallado de la puntuación.
+    """
     if not entities or not data: return []
     
     user_symptoms = set(s.lower().strip() for s in entities.get("sintomas", []))
@@ -138,36 +139,42 @@ def find_best_matches_hybrid(entities, data):
         if food in FOOD_TO_COMPOUND_MAP:
             candidate_terms.update(c.lower() for c in FOOD_TO_COMPOUND_MAP[food])
 
-    scores = {}
+    results = []
     for index, entry in enumerate(data):
-        score = 0
+        score_details = {'condition': 0, 'food': 0, 'symptoms': 0, 'total': 0}
         
         # Ponderación 1: Coincidencia de Condición
         entry_condition = entry.get("condicion_asociada", "").lower().strip()
         if inferred_condition and inferred_condition == entry_condition:
-            score += 100
+            score_details['condition'] = 100
 
         # Ponderación 2: Coincidencia de Alimentos/Compuestos
         entry_compounds_text = entry.get("compuesto_alimento", "").lower()
         if any(term in entry_compounds_text for term in candidate_terms):
-            score += 20
+            score_details['food'] = 20
             
-        # Ponderación 3: Coincidencia de Síntomas (BÚSQUEDA FLEXIBLE)
+        # Ponderación 3: Coincidencia de Síntomas
         entry_symptoms_keys = set(s.lower().strip() for s in entry.get("sintomas_clave", []))
+        symptom_score = 0
         for user_symptom in user_symptoms:
             for key in entry_symptoms_keys:
                 if key in user_symptom or user_symptom in key:
-                    score += 5
-                    break # Evita sumar puntos múltiples veces por el mismo síntoma de usuario
+                    symptom_score += 5
+                    break
+        score_details['symptoms'] = symptom_score
         
-        if score > 0:
-            scores[index] = score
+        total_score = sum(score_details.values())
+        if total_score > 0:
+            score_details['total'] = total_score
+            results.append({'entry': entry, 'score': score_details})
             
-    if not scores: return []
+    if not results: return []
 
-    sorted_matches_indices = sorted(scores.keys(), key=scores.get, reverse=True)
-    return [data[i] for i in sorted_matches_indices]
+    # Ordenar por puntuación total descendente
+    sorted_results = sorted(results, key=lambda x: x['score']['total'], reverse=True)
+    return sorted_results
 
+# ... (La función generate_detailed_analysis no cambia) ...
 def generate_detailed_analysis(query, match):
     """Genera la explicación final para el usuario (PROMPT MEJORADO)."""
     if not model: return "Error: El modelo de IA no está disponible."
@@ -211,6 +218,32 @@ def generate_detailed_analysis(query, match):
     except Exception as e:
         logger.error(f"Error generando análisis detallado con Gemini: {e}")
         return "No se pudo generar el análisis detallado."
+        
+# --- NUEVA FUNCIÓN PARA CREAR EL GRÁFICO ---
+def create_relevance_chart(results):
+    """Crea un gráfico de barras de Altair para visualizar la relevancia de los resultados."""
+    # Preparar los datos para el gráfico (tomamos los 5 mejores)
+    top_results = results[:5]
+    chart_data = {
+        "Condición": [res['entry']['condicion_asociada'] for res in top_results],
+        "Relevancia": [res['score']['total'] for res in top_results]
+    }
+    source = pd.DataFrame(chart_data)
+
+    # Crear el gráfico
+    chart = alt.Chart(source).mark_bar().encode(
+        x=alt.X('Relevancia:Q', title='Puntuación de Relevancia'),
+        y=alt.Y('Condición:N', sort='-x', title='Posible Condición'),
+        tooltip=['Condición', 'Relevancia']
+    ).properties(
+        title='Principales Coincidencias según tu Caso'
+    ).configure_axis(
+        labelFontSize=12,
+        titleFontSize=14
+    ).configure_title(
+        fontSize=16
+    )
+    return chart
 
 # --- INTERFAZ DE USUARIO (UI) ---
 col_img, col_text = st.columns([1, 4], gap="medium")
@@ -238,7 +271,7 @@ if submitted:
     if not query:
         st.warning("Por favor, describe lo que sientes y lo que comiste.")
     elif alimentos_data is None:
-        st.error("La base de datos de alimentos no está disponible. No se puede continuar.")
+        st.error("La base de datos de alimentos no está disponible.")
     else:
         st.session_state.user_query = query
         with st.spinner("🧠 Interpretando tu caso y buscando pistas con IA..."):
@@ -251,11 +284,11 @@ if submitted:
                 info_str += f", Condición Probable: {entities.get('condicion_probable')}"
             st.info(info_str)
 
-            with st.spinner("🔬 Cruzando información en la base de conocimiento..."):
+            with st.spinner("🔬 Cruzando información y calculando relevancia..."):
                 results = find_best_matches_hybrid(entities, alimentos_data)
                 st.session_state.search_results = results
         else:
-            st.error("No se pudieron identificar alimentos o síntomas claros en tu descripción. Intenta ser un poco más específico.")
+            st.error("No se pudieron identificar alimentos o síntomas claros en tu descripción.")
             st.session_state.search_results = []
 
 if st.session_state.search_results is not None:
@@ -265,25 +298,36 @@ if st.session_state.search_results is not None:
     results = st.session_state.search_results
     
     if not results:
-        st.warning(f"No se encontraron coincidencias claras en nuestra base de datos para tu caso: '{st.session_state.user_query}'.\n\n"
-                   "**Sugerencias:**\n"
-                   "- Intenta ser más específico con los síntomas.\n"
-                   "- Asegúrate de mencionar al menos un alimento o bebida.\n"
-                   "- Reformula tu consulta con otras palabras.")
+        st.warning(f"No se encontraron coincidencias claras para tu caso: '{st.session_state.user_query}'.")
     else:
-        st.success(f"Hemos encontrado {len(results)} posible(s) causa(s) relacionada(s) con tu caso. Aquí está el análisis de la más probable:")
+        st.success(f"Hemos encontrado {len(results)} posible(s) causa(s) relacionada(s) con tu caso.")
         
-        best_match = results[0]
-        
-        with st.expander(f"**Principal Coincidencia: {best_match.get('condicion_asociada')}**", expanded=True):
-            with st.spinner("✍️ Generando un análisis detallado y personalizado con IA..."):
+        # --- SECCIÓN DEL GRÁFICO NUEVA ---
+        st.subheader("Análisis de Relevancia de las Coincidencias")
+        chart = create_relevance_chart(results)
+        st.altair_chart(chart, use_container_width=True)
+
+        best_match = results[0]['entry']
+        best_score = results[0]['score']
+
+        with st.expander(f"**Análisis Detallado de la Principal Coincidencia: {best_match.get('condicion_asociada')}**", expanded=True):
+            # Mostramos el desglose de la puntuación
+            st.markdown("##### Desglose de la Puntuación de Relevancia:")
+            col1, col2, col3, col4 = st.columns(4)
+            col1.metric("Puntos por Condición", f"{best_score['condition']}")
+            col2.metric("Puntos por Alimento", f"{best_score['food']}")
+            col3.metric("Puntos por Síntomas", f"{best_score['symptoms']}")
+            col4.metric("PUNTUACIÓN TOTAL", f"{best_score['total']}", delta="Máxima coincidencia")
+            st.markdown("---")
+            
+            with st.spinner("✍️ Generando un análisis personalizado con IA..."):
                 detailed_analysis = generate_detailed_analysis(st.session_state.user_query, best_match)
                 st.markdown(detailed_analysis)
 
         if len(results) > 1:
-            with st.expander("Otras posibles coincidencias (menos probables)"):
+            with st.expander("Otras posibles coincidencias (ordenadas por relevancia)"):
                 for result in results[1:]:
-                    st.subheader(f"{result.get('condicion_asociada')}")
-                    st.write(f"**Compuestos/Alimentos:** {result.get('compuesto_alimento')}")
-                    st.write(f"**Síntomas Clínicos:** {result.get('sintomas_clinicos')}")
+                    entry = result['entry']
+                    score = result['score']
+                    st.write(f"**{entry.get('condicion_asociada')}** - Puntuación Total: {score['total']}")
                     st.markdown("---")