Update app.py

app.py

@@ -1,25 +1,25 @@
+# app.py
 import gradio as gr
 import pandas as pd
 import numpy as np
 import geopandas as gpd
-import plotly.express as px
-import seaborn as sns
 import matplotlib.pyplot as plt
+import seaborn as sns
 import folium
 from folium.plugins import HeatMap
 from shapely.geometry import Point
+from sklearn.cluster import DBSCAN
 import warnings
 warnings.filterwarnings("ignore")
 
-# ====================
-# CARGA DE DATOS
-# ====================
+# Carga de datos
 data = pd.read_csv("VasculitisAsociadasA-BDD10jul24_DATA_2025-03-19_1033.csv")
 data.columns = data.columns.str.strip().str.lower()
 data = data.dropna(subset=['latitud', 'longitud'])
 data['geometry'] = data.apply(lambda row: Point(row['longitud'], row['latitud']), axis=1)
 data = gpd.GeoDataFrame(data, geometry='geometry', crs='EPSG:4326')
 
+# Localidades
 geo_localidades = gpd.read_file("loca.json")
 geo_localidades.columns = geo_localidades.columns.str.lower()
 geo_localidades = geo_localidades.rename(columns={"locnombre": "localidad"})
@@ -28,8 +28,8 @@ data = gpd.sjoin(data.to_crs(geo_localidades.crs), geo_localidades[['localidad',
 data.drop(columns='index_right', inplace=True)
 
 # Capas ambientales
-def cargar_geojson(path):
-    gdf = gpd.read_file(path).to_crs("EPSG:4326")
+def cargar_geojson(filepath):
+    gdf = gpd.read_file(filepath).to_crs("EPSG:4326")
     for col in gdf.columns:
         if pd.api.types.is_datetime64_any_dtype(gdf[col]):
             gdf[col] = gdf[col].astype(str)
@@ -45,8 +45,11 @@ capas_ambientales = {
 }
 
 # Variables derivadas
-data['genero_cat'] = data['genero'].map({0: 'Masculino', 1: 'Femenino'})
-data['estrato_cat'] = data['estrato'].fillna('Sin dato')
+data = data.assign(
+    genero_cat=data['genero'].map({0: 'Masculino', 1: 'Femenino'}),
+    regimen_cat=data['regimen'].map({1: 'Contributivo', 2: 'Subsidiado'}),
+    estrato_cat=data['estrato'].fillna('Sin estrato')
+)
 data['anca_cat'] = 'Positivo'
 data['mpo_cat'] = data['mpo'].map({0: 'Negativo', 1: 'Positivo'}).fillna('No definido')
 data['pr3_cat'] = data['pr3'].map({0: 'Negativo', 1: 'Positivo'}).fillna('No definido')
@@ -54,134 +57,152 @@ biopsia_cols = [col for col in data.columns if col.startswith('biopsia___')]
 data['biopsia_positiva'] = data[biopsia_cols].sum(axis=1).apply(lambda x: 'Sí' if x > 0 else 'No')
 data['anca_y_renal'] = np.where((data['ancas'] == 1) & (data['biopsia_positiva'] == 'Sí'), 'Sí', 'No')
 
-# ====================
-# FUNCIONES AUXILIARES
-# ====================
-def aplicar_filtros(df, genero, edad, localidades, renal, antecedentes):
-    df = df.copy()
+# Filtros
+def aplicar_filtros(df, genero, edad_rango, localidades, compromiso_renal, antecedentes):
+    df_filtrado = df.copy()
     if genero != "Todos":
-        df = df[df['genero_cat'] == genero]
-    if isinstance(edad, tuple):
-        df = df[(df['edad'] >= edad[0]) & (df['edad'] <= edad[1])]
+        df_filtrado = df_filtrado[df_filtrado['genero_cat'] == genero]
+    df_filtrado = df_filtrado[(df_filtrado['edad'] >= edad_rango[0]) & (df_filtrado['edad'] <= edad_rango[1])]
     if localidades:
-        df = df[df['localidad'].isin(localidades)]
-    if renal != "Todos":
-        df = df[df['biopsia_positiva'] == renal]
-    for a in antecedentes:
-        if a in df.columns:
-            df = df[df[a] == 1]
-    return df
-
-def generar_mapa_kernel(df):
-    m = folium.Map(location=[4.65, -74.1], zoom_start=11)
-    if not df.empty:
-        HeatMap(df[['latitud', 'longitud']].dropna().values.tolist(), radius=12).add_to(m)
-    return m._repr_html_()
-
+        df_filtrado = df_filtrado[df_filtrado['localidad'].isin(localidades)]
+    if compromiso_renal != "Todos":
+        df_filtrado = df_filtrado[df_filtrado['biopsia_positiva'] == compromiso_renal]
+    for ant in antecedentes:
+        if ant in df_filtrado.columns:
+            df_filtrado = df_filtrado[df_filtrado[ant] == 1]
+    return df_filtrado
+
+# Mapa coroplético
 def generar_mapa_coropletico(df, capas):
     df_grouped = df.groupby('localidad').size().reset_index(name='casos')
     geo_local_copy = geo_localidades.merge(df_grouped, on='localidad', how='left').fillna({'casos': 0})
     m = folium.Map(location=[4.65, -74.1], zoom_start=11)
     folium.Choropleth(
         geo_data=geo_local_copy,
+        name='Casos por localidad',
         data=geo_local_copy,
         columns=['localidad', 'casos'],
         key_on='feature.properties.localidad',
         fill_color='YlOrRd',
-        fill_opacity=0.6,
-        line_opacity=0.4,
-        legend_name='Casos'
+        fill_opacity=0.7,
+        line_opacity=0.3,
+        legend_name='Número de casos'
     ).add_to(m)
+
+    for _, row in geo_local_copy.iterrows():
+        folium.Marker(
+            location=row['geometry'].centroid.coords[0][::-1],
+            popup=f"{row['localidad']}: {int(row['casos'])} casos",
+            icon=folium.Icon(color='blue', icon='info-sign')
+        ).add_to(m)
+
     for _, row in df.iterrows():
         folium.CircleMarker(
             location=(row['latitud'], row['longitud']),
             radius=4,
-            popup=f"Edad: {row['edad']}, Género: {row['genero_cat']}, ANCA: {row['anca_cat']}",
-            color='black', fill=True, fill_opacity=0.5
+            popup=f"Edad: {row['edad']}, Género: {row['genero_cat']}, Estrato: {row['estrato_cat']}, Creatinina: {row.get('creatinina', '')}",
+            color='black', fill=True, fill_opacity=0.6
         ).add_to(m)
+
     for capa in capas:
-        gdf = capas_ambientales.get(capa)
-        if gdf is not None:
-            folium.GeoJson(
-                gdf,
-                name=capa,
-                tooltip=folium.GeoJsonTooltip(fields=gdf.columns[:2].tolist())
-            ).add_to(m)
+        if capa in capas_ambientales:
+            gdf = capas_ambientales[capa]
+            folium.GeoJson(gdf, name=capa, tooltip=folium.GeoJsonTooltip(fields=gdf.columns[:2].tolist())).add_to(m)
+
     folium.LayerControl().add_to(m)
     return m._repr_html_()
 
-def graficos_univariados(df, var):
-    fig, ax = plt.subplots(figsize=(6, 4))
-    if df[var].dtype == 'object' or df[var].nunique() < 10:
-        sns.countplot(data=df, x=var, ax=ax)
+# Mapa calor
+def generar_mapa_calor(df):
+    m = folium.Map(location=[4.65, -74.1], zoom_start=11)
+    if df.empty:
+        return m._repr_html_()
+    heat_data = df[['latitud', 'longitud']].dropna().values.tolist()
+    HeatMap(heat_data, radius=14).add_to(m)
+    return m._repr_html_()
+
+# Gráfico univariado
+def grafico_univariado(var, genero, edad, localidades, compromiso_renal, antecedentes):
+    df = aplicar_filtros(data, genero, edad, localidades, compromiso_renal, antecedentes)
+    if df.empty:
+        return None
+    plt.figure(figsize=(6, 4))
+    if df[var].dtype == 'object':
+        sns.countplot(data=df, x=var)
     else:
-        sns.histplot(df[var], kde=True, ax=ax)
-    plt.xticks(rotation=45)
-    plt.tight_layout()
+        sns.histplot(df[var], kde=True)
+    plt.title(f"Distribución de {var}")
     path = f"uni_{var}.png"
+    plt.tight_layout()
     plt.savefig(path)
     plt.close()
     return path
 
-def graficos_bivariados(df, var1, var2):
-    fig, ax = plt.subplots(figsize=(6, 4))
-    if df[var1].dtype == 'object' and df[var2].dtype == 'object':
-        sns.countplot(data=df, x=var1, hue=var2, ax=ax)
-    elif df[var1].dtype != 'object' and df[var2].dtype == 'object':
-        sns.boxplot(data=df, x=var2, y=var1, ax=ax)
-    elif df[var1].dtype == 'object' and df[var2].dtype != 'object':
-        sns.boxplot(data=df, x=var1, y=var2, ax=ax)
+# Gráfico bivariado
+def grafico_bivariado(x, y, genero, edad, localidades, compromiso_renal, antecedentes):
+    df = aplicar_filtros(data, genero, edad, localidades, compromiso_renal, antecedentes)
+    if df.empty:
+        return None
+    plt.figure(figsize=(6, 4))
+    if df[x].dtype == 'object' or df[y].dtype == 'object':
+        sns.countplot(data=df, x=x, hue=y)
     else:
-        sns.scatterplot(data=df, x=var1, y=var2, ax=ax)
-    plt.xticks(rotation=45)
+        sns.scatterplot(data=df, x=x, y=y)
+    plt.title(f"{x} vs {y}")
+    path = f"bi_{x}_{y}.png"
     plt.tight_layout()
-    path = f"bi_{var1}_{var2}.png"
     plt.savefig(path)
     plt.close()
     return path
 
-# ====================
-# INTERFAZ
-# ====================
+# Interfaz
 def lanzar_app():
     with gr.Blocks() as demo:
-        gr.Markdown("# Tablero Interactivo de Vasculitis ANCA con Análisis Espacial")
+        gr.Markdown("## 🧬 Tablero Geoespacial Interactivo: Vasculitis ANCA con Compromiso Renal")
+
+        with gr.Row():
+            genero = gr.Dropdown(label="Género", choices=["Todos", "Masculino", "Femenino"], value="Todos")
+            edad = gr.Slider(label="Edad", minimum=0, maximum=100, value=(20, 80))
+        with gr.Row():
+            localidades = gr.Dropdown(label="Localidades", choices=sorted(data['localidad'].dropna().unique()), multiselect=True)
+            compromiso = gr.Dropdown(label="Compromiso Renal", choices=["Todos", "Sí", "No"], value="Todos")
+        antecedentes = gr.CheckboxGroup(label="Antecedentes", choices=["diabetes", "hta", "epoc", "falla_cardiaca"])
 
         with gr.Tab("Mapa Coroplético"):
-            genero = gr.Dropdown(["Todos", "Masculino", "Femenino"], label="Género")
-            edad = gr.Slider(0, 100, value=(20, 80), label="Edad")
-            localidades = gr.Dropdown(sorted(data['localidad'].dropna().unique()), multiselect=True, label="Localidades")
-            compromiso = gr.Dropdown(["Todos", "Sí", "No"], label="Compromiso Renal")
-            antecedentes = gr.CheckboxGroup(["diabetes", "hta", "epoc", "falla_cardiaca"], label="Antecedentes")
-            capas = gr.CheckboxGroup(list(capas_ambientales.keys()), label="Capas Ambientales")
-            boton = gr.Button("Generar Mapa")
-            salida = gr.HTML()
-            boton.click(lambda g, e, l, c, a, cap: generar_mapa_coropletico(
-                aplicar_filtros(data, g, e, l, c, a), cap
-            ), inputs=[genero, edad, localidades, compromiso, antecedentes, capas], outputs=salida)
+            capas = gr.CheckboxGroup(label="Capas Ambientales", choices=list(capas_ambientales.keys()))
+            btn = gr.Button("Mostrar")
+            mapa = gr.HTML()
+            btn.click(fn=lambda g, e, l, c, a, cap: generar_mapa_coropletico(aplicar_filtros(data, g, e, l, c, a), cap),
+                      inputs=[genero, edad, localidades, compromiso, antecedentes, capas], outputs=mapa)
 
         with gr.Tab("Mapa de Calor"):
-            boton2 = gr.Button("Generar Mapa")
-            salida2 = gr.HTML()
-            boton2.click(lambda g, e, l, c, a: generar_mapa_kernel(
-                aplicar_filtros(data, g, e, l, c, a)
-            ), inputs=[genero, edad, localidades, compromiso, antecedentes], outputs=salida2)
-
-        with gr.Tab("Gráficos Univariados"):
-            var_uni = gr.Dropdown(label="Variable", choices=[
-                "edad", "genero_cat", "estrato_cat", "anca_cat", "biopsia_positiva", "sindrome", "proteinuria", "creatinina"
-            ])
-            btn_uni = gr.Button("Generar gráfico")
-            out_uni = gr.Image()
-            btn_uni.click(lambda v: graficos_univariados(data, v), inputs=var_uni, outputs=out_uni)
-
-        with gr.Tab("Gráficos Bivariados"):
-            var1 = gr.Dropdown(label="Variable 1", choices=data.columns.tolist())
-            var2 = gr.Dropdown(label="Variable 2", choices=data.columns.tolist())
-            btn_bi = gr.Button("Generar gráfico")
-            out_bi = gr.Image()
-            btn_bi.click(lambda x, y: graficos_bivariados(data, x, y), inputs=[var1, var2], outputs=out_bi)
+            btn2 = gr.Button("Mostrar")
+            salida = gr.HTML()
+            btn2.click(fn=lambda g, e, l, c, a: generar_mapa_calor(aplicar_filtros(data, g, e, l, c, a)),
+                       inputs=[genero, edad, localidades, compromiso, antecedentes], outputs=salida)
+
+        with gr.Tab("Univariado"):
+            var = gr.Dropdown(label="Variable", choices=['edad', 'genero_cat', 'estrato_cat', 'anca_y_renal', 'sindrome'])
+            btn3 = gr.Button("Graficar")
+            img = gr.Image()
+            btn3.click(grafico_univariado, inputs=[var, genero, edad, localidades, compromiso, antecedentes], outputs=img)
+
+        with gr.Tab("Bivariado"):
+            x = gr.Dropdown(label="X", choices=['genero_cat', 'estrato_cat', 'edad', 'mpo_cat'])
+            y = gr.Dropdown(label="Y", choices=['anca_y_renal', 'biopsia_positiva', 'creatinina'])
+            btn4 = gr.Button("Graficar")
+            img2 = gr.Image()
+            btn4.click(grafico_bivariado, inputs=[x, y, genero, edad, localidades, compromiso, antecedentes], outputs=img2)
+
+        with gr.Tab("Ayuda"):
+            gr.Markdown("""
+            **Instrucciones de uso:**
+            - Aplica filtros por género, edad, localidad y antecedentes.
+            - Visualiza mapas con o sin capas ambientales.
+            - Compara variables clínicas por localidad.
+            - Todos los análisis son descriptivos, sin inferencia causal directa.
+            """)
 
     demo.launch()
 
-lanzar_app()
+lanzar_app()