Update app.py

app.py

@@ -3,58 +3,53 @@ import pandas as pd
 from sklearn.preprocessing import StandardScaler
 from sklearn.neighbors import NearestNeighbors
 
-# Configuração da página
+# Configuração visual
 st.set_page_config(page_title="DNA Sonoro", page_icon="🎵")
+st.title("🎵 DNA Sonoro: Modo Infinito")
+st.markdown("Buscando a vibe real da música em uma base com mais de 30 mil faixas.")
 
-st.title("🎵 DNA Sonoro: Recomendação por Vibe")
-st.markdown("Chega de recomendações por marketing. Digite uma música e vamos achar o 'esqueleto' acústico dela.")
-
-# Base de Dados Exemplo (DNA das Músicas)
-# Em um projeto maior, carregaríamos um CSV com 100k músicas aqui.
+# Baixando a base de dados gigante automaticamente
 @st.cache_data
-def load_data():
-    data = {
-        'name': ['My Dear', 'Love Shot', 'Dynamite', 'Blue Hour', 'Growl', 'Seven', 'Ditto', 'Perfect Night'],
-        'artist': ['Chen', 'EXO', 'BTS', 'TXT', 'EXO', 'Jungkook', 'NewJeans', 'LE SSERAFIM'],
-        # DNA: [Danceability, Energy, Acousticness, Valence]
-        'danceability': [0.4, 0.8, 0.7, 0.6, 0.7, 0.7, 0.6, 0.6],
-        'energy': [0.3, 0.9, 0.8, 0.7, 0.8, 0.8, 0.5, 0.7],
-        'acousticness': [0.8, 0.1, 0.0, 0.1, 0.1, 0.1, 0.7, 0.2],
-        'valence': [0.3, 0.7, 0.9, 0.6, 0.7, 0.8, 0.4, 0.5]
-    }
-    return pd.DataFrame(data)
+def carregar_dados():
+    # Link direto para um CSV público com dados acústicos
+    url = "https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-01-21/spotify_songs.csv"
+    df = pd.read_csv(url)
+    
+    # Limpando duplicatas e arrumando os nomes para o nosso app
+    df = df.drop_duplicates(subset=['track_name', 'track_artist'])
+    df = df.rename(columns={'track_name': 'Musica', 'track_artist': 'Artista'})
+    df = df.dropna(subset=['Musica', 'Artista', 'danceability', 'energy', 'acousticness', 'valence'])
+    
+    # Organiza os números da lista para a matemática não se perder
+    df = df.reset_index(drop=True)
+    return df
 
-df = load_data()
+df = carregar_dados()
 
-# Preparação dos dados para a IA
+# O cérebro que entende a vibe
 features = ['danceability', 'energy', 'acousticness', 'valence']
 scaler = StandardScaler()
 df_scaled = scaler.fit_transform(df[features])
 
-# Treinando o modelo de vizinhos mais próximos
-model = NearestNeighbors(n_neighbors=3, metric='euclidean')
+# Preparando a IA para achar os 5 vizinhos mais próximos
+model = NearestNeighbors(n_neighbors=6, metric='euclidean')
 model.fit(df_scaled)
 
-# Interface de Busca
-target_song = st.text_input("Qual música você tem na cabeça agora?", placeholder="Ex: My Dear - Chen")
+query = st.text_input("Qual música você quer analisar?", placeholder="Ex: Blinding Lights, Dynamite...")
 
-if target_song:
-    # Busca simples pelo nome
-    match = df[df['name'].str.contains(target_song.split(' - ')[0], case=False, na=False)]
+if query:
+    resultado = df[df['Musica'].str.contains(query, case=False, na=False)]
     
-    if not match.empty:
-        idx = match.index[0]
-        st.write(f"🧬 **DNA Identificado:** {df.iloc[idx]['name']} ({df.iloc[idx]['artist']})")
+    if not resultado.empty:
+        idx = resultado.index[0] # Pega a primeira versão da música que achar
+        st.success(f"🧬 DNA Identificado: {df.iloc[idx]['Musica']} - {df.iloc[idx]['Artista']}")
         
-        # Encontrando similares
-        distances, indices = model.kneighbors([df_scaled[idx]])
+        # Faz a IA buscar quem tem os números parecidos
+        distancias, indices = model.kneighbors([df_scaled[idx]])
         
-        st.subheader("Sugestões com DNA próximo:")
+        st.subheader("Você pode curtir essas aqui (Mesmo DNA):")
         for i in indices[0]:
-            if i != idx:
-                st.write(f"✨ **{df.iloc[i]['name']}** — {df.iloc[i]['artist']}")
-                st.caption(f"Vibe similar em {(1 - distances[0][1])*100:.1f}%")
+            if i != idx: # Pra não recomendar a mesma música que você digitou
+                st.write(f"✨ **{df.iloc[i]['Musica']}** ({df.iloc[i]['Artista']})")
     else:
-        st.error("Ainda não tenho essa música no meu banco de dados. Tente uma das sugestões acima!")
-
-st.info("💡 Este é o motor inicial. No próximo passo, vamos conectar uma base de dados com 1 milhão de músicas.")
+        st.error("Não achei essa na base. Tenta só uma palavra do nome ou outro hit para testar.")