cambios subidos

app.py

@@ -1,48 +1,157 @@
+#imports
 import streamlit as st
+import random
+import pickle 
+import joblib
+from sklearn.preprocessing import StandardScaler
+import pandas as pd
+import time
 
-st.image('banner.jpg', caption='SYSVIA')
+from sklearn.cluster import KMeans
 
+standard_scaler = StandardScaler()
 
+#pre cargar
 
+dataIni = pd.read_csv('DataModelo.csv')
+#data = dataIni.drop(['Usuario_Id','Cluster','recency','Avg_dias','distancia','total_min','num_reincidencia','mes'], axis=1, )
+#data = dataIni.drop(columns= {'Cluster','Usuario_Id','recency', 'Avg_dias','distancia', 'total_min', 'num_reincidencia', 'mes'})
+data = dataIni[['recency_t','Avg_dias_t','distancia_t','total_min_t','num_reincidencia_t','mes_t']]
+# var
+
+cluster_dict = {
+    0: {"descripcion":"Usuarios que usan muchas veces el servicio, por distancias largas y frecuentemente.",},
+    1: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan pocas veces al año y con muy poca frecuencia.",},
+    2: {"descripcion":"Usuarios que usan el servicio para distancias largas, pocas veces al año y no muy frecuentemente.",},
+    3: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y frecuentemente.",},
+    4: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y muy frecuentemente",},
+    5: {"descripcion":"Usuarios que lo usan por distancias muy cortas, muy pocas veces al año y muy pocas veces al año.",},
+    6: {"descripcion":"Usuarios que usan el servicio para distancias cortas, pero lo utilizan muy seguido durante todo el año.",},
+    7: {"descripcion":"Usuarios que utilizan el servicio para distancias largas, pero muy pocas veces al año y con muy poca frecuencia."},
+}
+
+diccionario_operaciones = {
+    'recency_t': (1/3),
+    'Avg_dias_t': (1/5),
+    'distancia_t': 1,
+    'total_min_t': (1/3),
+    'num_reincidencia_t': (1/3),
+    'mes_t': 1
+
+}
+
+diccionario_promedio = {
+    '1 - 10 dias': 1,
+    '10 - 30 dias': 15, 
+    '30 - 50 dias': 40,
+}
+
+#Funciones
+
+def transformacionData(formularioTemp):
+    for k, v in formularioTemp.items():
+        formularioTemp[k]= (float(v[0])  ** diccionario_operaciones[k])
+    return formularioTemp
+
+def procesarDatos(valor): 
+    with st.spinner('Cargando...'):  
+        
+        
+        formulario = {
+                    'recency_t': str(valor[0]),
+                    'Avg_dias_t': str(diccionario_promedio[valor[1]]),
+                    'distancia_t': str(valor[2]),
+                    'total_min_t': str(valor[3]),
+                    'num_reincidencia_t': str(valor[4]),
+                    'mes_t': str(valor[5])
+                }
+
+        resultado = transformacionData(formulario)
+
+        dataNew = data.append(resultado,ignore_index=True)
+        dataNew = dataNew.fillna(0)
+        #standard_scaler
+        Master_scaled = standard_scaler.fit_transform(dataNew)
+        Master_scaled = pd.DataFrame(Master_scaled)
+        Master_scaled.columns = dataNew.columns
+
+
+
+        # Agregar el diccionario de entrada al dataset como último valor 
+
+        #last_data = Master_scaled.iloc[1:]
+
+        # Verificar el tiempo de respuesta de estandarización para estandarizar los datos de entrada
+
+        # Ejecución de modelo
+        kmeans = KMeans()
+
+        # Aplicación del método del codo para la obtención de número de clúster óptimos
+        distortions = []
+        K = range(1,8)
+        for k in K:
+            kmeanModel = KMeans(n_clusters=k)
+            kmeanModel.fit(Master_scaled)
+            distortions.append(kmeanModel.inertia_)
+
+        dataNew["Cluster"] = kmeans.fit_predict(Master_scaled)
+
+
+        # Resultado 
+        #resultado = dataNew.iloc[1:]['cluster']
+
+        #st.text(resultado)
 
 
+        # print(resultado)
+        #dataNew.to_csv(r'C:\Users\Jartemio\Desktop\Saturdays\repositorioPruebaHuggingface\export_dataframe.csv', index=False, header=True)
+        st.success(cluster_dict[dataNew["Cluster"].iloc[-1]]["descripcion"], icon="✅")
+        return ""
+        #list1 = [0,1, 2, 3, 4, 5, 6,7]
+        #return cluster_dict[random.choice(list1)]["descripcion"]
 
+#Interface
 
+st.image('banner.jpg')
 
+col1, col2, col3 , col4, col5 = st.columns(5)
+with col3:
+    st.image('logo.png')
+    
 col1, col2, col3 = st.columns(3)
 with col1:
     recency = st.number_input('Inserte los dias recientes',value=0)
 
 with col2:
-    avg_dias = st.number_input('Promedio de dias que se usa mibici',value=0.00)
-
+    #avg_dias = st.number_input('Promedio de dias que se usa mibici',value=0.00)
+    avg_dias = option = st.selectbox(
+                    'Promedio de dias que se usa mibici',
+                    ('1 - 10 dias', '10 - 30 dias', '30 - 50 dias '))
 with col3:
     total_min = st.number_input('Distancia que recorre en km',value=0.000000)
 
-col1, col2 = st.columns(2)
+col1, col2, col3 = st.columns(3)
 with col1:
     num_reincidencia = st.number_input('Numeros de reincidencia',value=0)
 with col2:
+    total_min = st.number_input('Total de minutos usados',value=0)
+with col3:
     mes = st.number_input('Cuantos meses ha usado mi bici',value=0.0)
-    
 #Master = Master[[recency, avg_dias, total_min, num_reincidencia, mes]]
-# st.write('The current number is ', recency)
 
 col1, col2, col3 , col4, col5, col6, col7 = st.columns(7)
 with col4:
-    st.button('Calcular')
+    buttonCalcular = st.button('Calcular')
     
-col1, col2, col3 , col4, col5 = st.columns(5)
-with col1:
-    st.image('logo.png')
+texto_output = st.markdown('')
     
-cluster_dict = {
-    0: {"descripcion":"Usuarios que usan muchas veces el servicio, por distancias largas y frecuentemente.",},
-    1: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan pocas veces al año y con muy poca frecuencia.",},
-    2: {"descripcion":"Usuarios que usan el servicio para distancias largas, pocas veces al año y no muy frecuentemente.",},
-    3: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y frecuentemente.",},
-    4: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y muy frecuentemente",},
-    5: {"descripcion":"Usuarios que lo usan por distancias muy cortas, muy pocas veces al año y muy pocas veces al año.",},
-    6: {"descripcion":"Usuarios que usan el servicio para distancias cortas, pero lo utilizan muy seguido durante todo el año.",},
-    7: {"descripcion":"Usuarios que utilizan el servicio para distancias largas, pero muy pocas veces al año y con muy poca frecuencia.",},
-}
+    
+
+
+    
+
+    
+    
+if buttonCalcular:
+    texto_output.markdown(procesarDatos([recency, avg_dias, total_min, total_min, num_reincidencia, mes]))
+