app.py

import gradio as gr
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
import pickle

# Cargar componentes guardados
try:
    # Cargar modelo
    with open("logistic_model_2.pkl", "rb") as file:
        logistic = pickle.load(file)
    print("✅ Modelo cargado correctamente")
    
    # Cargar scaler
    with open("scaler_2.pkl", "rb") as file:
        scaler = pickle.load(file)
    print("✅ Scaler cargado correctamente")
    
    # Cargar datos
    tad = pd.read_csv("tad_2.csv")
    print("✅ Datos cargados correctamente")
except Exception as e:
    print(f"⚠️ Error al cargar archivos: {e}")
    exit(1)

# Función de predicción
def predict_basketball_matchup(team1, team2, model, scaler, historical_data):
    required_features = [
        'PAINT_DOMINANCE', 'FG_PCT', 'SHOOTING_EFF',
        'DEF_PRESSURE', 'REB', 'FG3_PCT'
    ]
    
    def calculate_team_metrics(team_name, n_recent_games=5):
        team_data = historical_data[
            historical_data['TEAM_NAME'] == team_name
        ].sort_values('GAME_DATE').tail(n_recent_games)
        
        return {
            'PAINT_DOMINANCE': team_data['PAINT_DOMINANCE'].mean(),
            'FG_PCT': team_data['FG_PCT'].mean(),
            'SHOOTING_EFF': team_data['SHOOTING_EFF'].mean(),
            'DEF_PRESSURE': team_data['DEF_PRESSURE'].mean(),
            'REB': team_data['REB'].mean(),
            'FG3_PCT': team_data['FG3_PCT'].mean()
        }
    
    team1_metrics = calculate_team_metrics(team1)
    team2_metrics = calculate_team_metrics(team2)
    
    X1 = pd.DataFrame([team1_metrics])[required_features]
    X2 = pd.DataFrame([team2_metrics])[required_features]
    
    X1_scaled = scaler.transform(X1)
    X2_scaled = scaler.transform(X2)
    
    prob_team1 = model.predict_proba(X1_scaled)[0][1]
    prob_team2 = model.predict_proba(X2_scaled)[0][1]
    
    favorite = team1 if prob_team1 > prob_team2 else team2
    win_prob = max(prob_team1, prob_team2)
    
    return {
        'team1_probability': prob_team1,
        'team2_probability': prob_team2,
        'favorite': favorite,
        'win_probability': win_prob,
        'metrics_comparison': {
            team1: team1_metrics,
            team2: team2_metrics
        }
    }

def gradio_predict(team1, team2):
    """
    Función adaptada para Gradio que ejecuta predict_basketball_matchup
    """
    # Validación de equipos diferentes
    if team1 == team2:
        return """
# ⚠️ Error de Selección

Por favor, seleccione dos equipos diferentes para realizar la predicción.

El mismo equipo no puede jugar contra sí mismo.
"""
    
    resultado = predict_basketball_matchup(team1, team2, logistic, scaler, tad)

    # Formateamos la salida con mejor estructura y formato
    output = f"""
# 🏀 PREDICCIÓN DE ENFRENTAMIENTO NBA

## Probabilidades de Victoria
----------------------------
### {team1}
* **Probabilidad**: {resultado['team1_probability']:.1%}
* **Estatus**: {"✨ FAVORITO" if resultado['favorite'] == team1 else ""}

### {team2}
* **Probabilidad**: {resultado['team2_probability']:.1%}
* **Estatus**: {"✨ FAVORITO" if resultado['favorite'] == team2 else ""}

## 📊 Análisis Comparativo de Métricas
------------------------------------
"""
    # Formato de tabla para métricas
    output += """
| Métrica | {} | {} |
|---------|-----|-----|""".format(team1, team2)

    # Diccionario para nombres más descriptivos de las métricas
    metric_names = {
        'PAINT_DOMINANCE': 'Dominancia en la Pintura',
        'FG_PCT': 'Porcentaje de Tiros de Campo',
        'SHOOTING_EFF': 'Eficiencia en Tiros',
        'DEF_PRESSURE': 'Presión Defensiva',
        'REB': 'Rebotes',
        'FG3_PCT': 'Porcentaje de Triples'
    }

    # Agregar cada métrica a la tabla
    for metric in resultado['metrics_comparison'][team1]:
        metric_display = metric_names.get(metric, metric)
        value1 = resultado['metrics_comparison'][team1][metric]
        value2 = resultado['metrics_comparison'][team2][metric]
        
        # Determinar quién tiene mejor valor en cada métrica
        better_value = max(value1, value2)
        value1_str = f"**{value1:.3f}**" if value1 == better_value else f"{value1:.3f}"
        value2_str = f"**{value2:.3f}**" if value2 == better_value else f"{value2:.3f}"
        
        output += f"\n| {metric_display} | {value1_str} | {value2_str} |"

    # Agregar conclusión
    output += f"""

## 🎯 Conclusión
--------------
**{resultado['favorite']}** es el favorito con una probabilidad de victoria del **{resultado['win_probability']:.1%}**
"""

    return output

# Interfaz de Gradio
with gr.Blocks(theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🏀 Predicción de Partidos NBA
    Seleccione dos equipos diferentes para predecir el resultado del enfrentamiento
    """)

    with gr.Row():
        team1 = gr.Dropdown(
            label="Equipo Local",
            choices=sorted(tad["TEAM_NAME"].unique().tolist()),
            container=False
        )
        team2 = gr.Dropdown(
            label="Equipo Visitante",
            choices=sorted(tad["TEAM_NAME"].unique().tolist()),
            container=False
        )

    btn = gr.Button("📊 Predecir Resultado", size="lg")
    resultado_texto = gr.Markdown("")

    btn.click(fn=gradio_predict, inputs=[team1, team2], outputs=resultado_texto)

# Lanzar la interfaz
if __name__ == "__main__":
    demo.launch()