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

# Cargar el modelo, scaler y datos históricos previamente ajustados
# (Asegúrate de tener logistic, scaler y tad listos)
logistic = logistic_model_2.pkl  # Modelo entrenado
scaler =  scaler_2.pkl # Scaler ajustado
tad = tad_2.pkl  # DataFrame con datos históricos

# Función de predicción adaptada a Gradio
def gradio_predict(team1, team2):
    """
    Función adaptada para Gradio que ejecuta predict_basketball_matchup
    """
    resultado = predict_basketball_matchup(team1, team2, logistic, scaler, tad)

    # Formateamos la salida
    output = f"""
    **🏀 PREDICCIÓN DE ENFRENTAMIENTO 🏀**
    =========================================

    **🔹 {team1}: {resultado['team1_probability']:.1%} probabilidad de victoria**
    **🔹 {team2}: {resultado['team2_probability']:.1%} probabilidad de victoria**

    **🔥 Favorito:** {resultado['favorite']} ({resultado['win_probability']:.1%})

    **📊 MÉTRICAS COMPARATIVAS**
    ------------------------------------------
    """

    for metric in resultado['metrics_comparison'][team1]:
        output += f"🔸 {metric}: {team1} - {resultado['metrics_comparison'][team1][metric]:.3f} | {team2} - {resultado['metrics_comparison'][team2][metric]:.3f} \n"

    return output

# Lista de equipos disponibles
equipos_disponibles = tad["TEAM_NAME"].unique().tolist()

# Interfaz de Gradio
with gr.Blocks() as demo:
    gr.Markdown("# 🏀 Predicción de Partidos NBA")

    with gr.Row():
        team1 = gr.Dropdown(label="Seleccione el equipo 1", choices=equipos_disponibles)
        team2 = gr.Dropdown(label="Seleccione el equipo 2", choices=equipos_disponibles)

    btn = gr.Button("📊 Predecir Resultado")

    resultado_texto = gr.Markdown("")

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

# Lanzar la interfaz
demo.launch(share=True)