Update app.py

app.py

@@ -1,64 +1,201 @@
-import gradio as gr
 from pyvis.network import Network
+import pandas as pd
+import pymorphy3
+import re
+import gradio as gr
 
-def create_knowledge_graph():
-    # Создаем граф с pyvis
-    net = Network(
-        height="600px",
-        width="100%",
-        bgcolor="#222222",
-        font_color="white",
-        cdn_resources="in_line"  # Встраиваем JS/CSS в HTML
-    )
 
-    # Добавляем узлы (концепции)
-    nodes = ["Python", "Gradio", "Pyvis", "Data Science", "Machine Learning"]
-    for node in nodes:
-        net.add_node(node, label=node)
-
-    # Добавляем ребра (связи между концепциями)
-    edges = [
-        ("Python", "Gradio"),
-        ("Python", "Pyvis"),
-        ("Python", "Data Science"),
-        ("Data Science", "Machine Learning"),
-        ("Gradio", "Machine Learning"),
-        ("Pyvis", "Data Science")
+# Инициализация pymorphy3 (лемматизатор)
+morph = pymorphy3.MorphAnalyzer()
+
+# Функция токенизации и лемматизации
+def tokenize_and_lemmatize(text):
+    text = re.sub(r'[^\w\s]', '', text.lower())  # Удаляем пунктуацию, приводим к нижнему регистру
+    words = text.split()
+    return [morph.parse(word)[0].normal_form for word in words]
+
+# Словарь ключевых слов для каждого сегмента (каждое слово в начальной форме)
+personalization_keywords = {
+    "Поколение X": ["комиссия", "визит", "снижение", "ставка", "бесплатно", "экономия"],
+    "Поколение Y": ["онлайн", "цифровой", "бонус", "лимит", "qr", "sberpay"],
+    "Поколение Z": ["быстрота", "мгновенно", "минута", "оперативно", "решение"],
+    "Пол Женский": ["комфорт", "удобство", "забота", "легкость", "терминал"],
+    "ОПФ ИП": ["эффективность", "комиссия", "снижение", "ставка", "онлайн", "быстрота", "оптимизация"],
+    "ОПФ ООО": ["удобство", "комиссия", "открытие", "онлайн", "легкость", "автоматизация"],
+    "Психотип Конструктор": ["оптимизация", "снижение", "ставка", "комиссия", "льготный", "период", "выгодно", "настройка"],
+    "Пол Мужской": ["динамичность", "быстрота", "лимит", "решение", "активность", "оптимизация"],
+    "Стадия бизнеса Новичок": ["доступность", "простота", "низкий", "порог", "комиссия", "легкость"],
+    "Стадия бизнеса Профи": ["профессионализм", "комиссия", "снижение", "ставка", "оптимизация", "эффективность", "быстрота"],
+    "Психотип Рефлектор": ["премиальность", "эксклюзив", "бизнес", "зал", "акция", "привилегия", "статус"],
+    "Психотип Центрист": ["универсальность", "стандарт", "комиссия", "бесплатно", "надежность"],
+    "Стадия бизнеса Эксперт": ["максимизация", "высокий", "лимит", "снижение", "ставка", "комиссия", "выгода", "оптимизация"]
+}
+
+# Функция для классификации одного текста преимущества
+def classify_advantage(text, keywords_dict):
+    """
+    Возвращает список кортежей вида:
+    [
+      (category, { 'count': int, 'matched_lemmas': set([...]) }),
+      ...
     ]
-    for source, target in edges:
-        net.add_edge(source, target)
+    отсортированных по убыванию count.
+    """
+    lemmas = tokenize_and_lemmatize(text)
+    category_matches = {}
 
-    # Генерируем HTML-код графа
-    html_content = net.generate_html(notebook=False)
+    # Проходим по всем категориям и считаем число совпадений лемм
+    for category, keywords in keywords_dict.items():
+        matches = set(lemmas) & set(keywords)  # Пересечение множеств
+        if matches:
+            category_matches[category] = {
+                'count': len(matches),
+                'matched_lemmas': matches
+            }
 
-    # Экранируем двойные кавычки для корректной вставки в srcdoc
-    html_content_escaped = html_content.replace('"', '"')
+    # Сортируем категории по количеству совпадений (по убыванию)
+    sorted_matches = sorted(
+        category_matches.items(),
+        key=lambda x: x[1]['count'],
+        reverse=True
+    )
+    return sorted_matches
 
-    # Оборачиваем HTML в iframe
-    iframe_code = f'''
-    <iframe 
-        srcdoc="{html_content_escaped}" 
-        width="100%" 
-        height="600" 
-        frameborder="0"
-    ></iframe>
-    '''
-    return iframe_code
+# Глобальная переменная для хранения DataFrame
+df = None
 
-with gr.Blocks() as demo:
-    gr.Markdown("# Граф Знаний с Pyvis и Gradio (Blocks)")
+def load_excel(file):
+    """
+    Функция для загрузки Excel-файла.
+    Возвращает список уникальных продуктов и сообщение о статусе загрузки.
+    """
+    global df
+    if file is None:
+        return [], "Файл не загружен. Загрузите Excel-файл."
+    try:
+        # Читаем Excel в DataFrame
+        df = pd.read_excel(file.name, usecols=["Продукт", "Преимущество"])
+        unique_products = df["Продукт"].unique().tolist()
+        return unique_products, "Файл успешно загружен!"
+    except Exception as e:
+        return [], f"Ошибка при чтении файла: {str(e)}"
+
+
+def analyze(product):
+    """
+    Функция, вызываемая при выборе продукта в выпадающем списке.
+    Анализирует все преимущества, соответствующие данному продукту,
+    и возвращает подробный отчёт и визуализацию графа.
+    """
+    global df
+    if df is None:
+        return "Сначала загрузите файл.", None
+
+    if not product:
+        return "Пожалуйста, выберите продукт.", None
 
-    # Кнопка для генерации графа
-    generate_button = gr.Button("Создать граф")
+    # Фильтруем DataFrame по выбранному продукту
+    product_advantages = df[df["Продукт"] == product]["Преимущество"]
+    
+    # Создаём граф
+    graph_html = create_category_graph(product, product_advantages, personalization_keywords)
+    
+    # Собираем результаты
+    results = []
+    for advantage in product_advantages:
+        matches = classify_advantage(advantage, personalization_keywords)
+        # Формируем текстовый отчёт по каждому преимуществу
+        advantage_text = f"**Преимущество**: {advantage}\n\n"
+        advantage_text += f"**Леммы**: {tokenize_and_lemmatize(advantage)}\n\n"
+        advantage_text += "**Совпадающие категории:**\n"
+        
+        if matches:
+            for category, data in matches:
+                # Выводим и количество совпадений, и сами совпавшие леммы
+                matched_lemmas_str = ", ".join(sorted(data['matched_lemmas']))
+                advantage_text += f"- {category}: {data['count']} совпадений (леммы: {matched_lemmas_str})\n"
+        else:
+            advantage_text += "- Нет совпадений.\n"
+        advantage_text += "\n---\n"
+        results.append(advantage_text)
 
-    # Выводим результат в виде HTML
-    graph_html = gr.HTML()
+    if not results:
+        return "Для выбранного продукта не найдено преимуществ.", None
+
+    return "\n".join(results), graph_html
+    
+    
+def create_category_graph(product, advantages, personalization_keywords):
+    """
+    Создаёт граф связей между продуктом, его преимуществами и категориями персонализации.
+    Возвращает HTML-код для отображения графа в iframe.
+    """
+    net = Network(notebook=True, height="500px", width="100%", directed=True, cdn_resources='in_line')  # Используем встроенные ресурсы
+    
+    # Добавляем узел для продукта
+    net.add_node(product, label=product, color="lightblue", size=30)
+    
+    # Проходим по всем преимуществам продукта
+    for advantage in advantages:
+        # Добавляем узел для преимущества
+        net.add_node(advantage, label=advantage, color="orange", size=20)
+        net.add_edge(product, advantage)  # Связь продукта с преимуществом
+        
+        # Анализируем преимущество и добавляем связи с категориями
+        matches = classify_advantage(advantage, personalization_keywords)
+        for category, data in matches:
+            net.add_node(category, label=category, color="green", size=15)
+            net.add_edge(advantage, category)  # Связь преимущества с категорией
+    
+    # Генерируем HTML-код для графа
+    html = net.generate_html() #notebook=False)
+    
+    # Заменяем одинарные кавычки на двойные
+    html = html.replace("'", '&quot;')
+    
+    # Возвращаем iframe с HTML-кодом графа
+    return f"""
+    <iframe 
+            width="100%" 
+            height="600" 
+            frameborder="0" 
+            srcdoc='{html}'>
+    </iframe>
+    """
+    
+with gr.Blocks() as demo:
+    gr.Markdown("## Классификация преимуществ по признакам персонализации")
+    gr.Markdown("**Шаг 1:** Загрузите Excel-файл с двумя столбцами: 'Продукт' и 'Преимущество'.")
+    
+    file_input = gr.File(label="Загрузите Excel-файл", file_types=[".xlsx"])
+    load_button = gr.Button("Загрузить файл")
+    load_status = gr.Markdown("")
+    
+    gr.Markdown("**Шаг 2:** Выберите продукт из списка (по умолчанию ничего не выбрано).")
+    product_dropdown = gr.Dropdown(choices=[], label="Продукты", value=None)
+    analyze_button = gr.Button("Анализировать")
+    
+    output_text = gr.Markdown("")
+    output_graph = gr.HTML(label="Визуализация графа")
+    
+    # Логика при нажатии "Загрузить файл"
+    def on_file_upload(file):
+        unique_products, status_message = load_excel(file)
+        return gr.update(choices=unique_products), status_message
+    
+    load_button.click(
+        fn=on_file_upload,
+        inputs=file_input,
+        outputs=[product_dropdown, load_status]
+    )
 
-    # Связываем кнопку с функцией
-    generate_button.click(
-        fn=create_knowledge_graph, 
-        inputs=[], 
-        outputs=graph_html
+    # Логика при нажатии "Анализировать"
+    analyze_button.click(
+        fn=analyze,
+        inputs=product_dropdown,
+        outputs=[output_text, output_graph]
     )
 
-demo.launch()
+# Запускаем демо
+if __name__ == "__main__":
+    demo.launch(debug=True)