app.py

import streamlit as st
from PIL import Image
import pytesseract
import pandas as pd
import requests
from textblob import TextBlob
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
import talib  # Análisis técnico

# Función para búsqueda web
def search_web(query):
    from googlesearch import search
    st.subheader("Resultados de la Búsqueda Web")
    results = []
    for result in search(query, num_results=5):
        results.append(result)
    for idx, link in enumerate(results):
        st.write(f"{idx + 1}. {link}")

# Función para análisis de imágenes
def analyze_image(uploaded_file):
    st.subheader("Análisis de Imagen")
    image = Image.open(uploaded_file)
    st.image(image, caption="Imagen cargada", use_column_width=True)
    text = pytesseract.image_to_string(image)
    st.write("Texto extraído de la imagen:")
    st.write(text)
    sentiment = analyze_sentiment(text)
    st.write(f"Análisis de sentimiento del texto extraído: {sentiment}")

# Función para análisis técnico
def analyze_crypto_data(df):
    st.subheader("Análisis Técnico")
    try:
        # RSI
        df['RSI'] = talib.RSI(df['close'], timeperiod=14)
        
        # MACD
        macd, macd_signal, macd_hist = talib.MACD(
            df['close'], fastperiod=12, slowperiod=26, signalperiod=9
        )
        df['MACD'] = macd
        df['MACD_signal'] = macd_signal
        df['MACD_hist'] = macd_hist
        
        # Bandas de Bollinger
        upper, middle, lower = talib.BBANDS(
            df['close'], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0
        )
        df['BB_Upper'] = upper
        df['BB_Mid'] = middle
        df['BB_Lower'] = lower
        
        st.write("Últimos 10 datos de análisis técnico:")
        st.write(df.tail(10))
    except Exception as e:
        st.error(f"Error en el análisis técnico: {e}")

# Función para análisis de sentimiento
def analyze_sentiment(text):
    analysis = TextBlob(text)
    sentiment = analysis.sentiment.polarity
    if sentiment > 0:
        return "Positivo"
    elif sentiment < 0:
        return "Negativo"
    else:
        return "Neutral"

# Función para predicción de precios
def predict_prices(df):
    st.subheader("Predicción de Precios")
    try:
        X = df.index.values.reshape(-1, 1)
        y = df['close']
        model = LinearRegression()
        model.fit(X, y)

        future = pd.DataFrame({"Index": range(len(df), len(df) + 5)})
        predictions = model.predict(future['Index'].values.reshape(-1, 1))
        st.write("Predicciones de precios futuros:")
        for i, pred in enumerate(predictions):
            st.write(f"Día {len(df) + i + 1}: {pred:.2f} USD")
    except Exception as e:
        st.error(f"Error al realizar la predicción: {e}")

# Función para obtener datos de criptomonedas
def fetch_crypto_data():
    url = "https://api.coingecko.com/api/v3/coins/bitcoin/market_chart?vs_currency=usd&days=30&interval=daily"
    response = requests.get(url)
    if response.status_code == 200:
        data = response.json()
        prices = [item[1] for item in data['prices']]
        df = pd.DataFrame(prices, columns=['close'])
        return df
    else:
        st.error("Error al obtener datos de criptomonedas.")
        return None

# Interfaz del chat
def chat_interface():
    st.header("Chat Interactivo")
    user_input = st.text_input("Escribe tu mensaje aquí:")
    if user_input:
        st.write(f"Tú: {user_input}")
        response = f"No estoy entrenado como ChatGPT, pero aquí estoy para ayudarte. Tú dijiste: {user_input}"
        st.write(f"Chatbot: {response}")

# Función principal de la aplicación
def main():
    st.title("Aplicación de Criptomonedas")
    menu = [
        "Chat", "Búsqueda Web", "Análisis de Imágenes", 
        "Análisis Técnico", "Análisis de Sentimiento", "Predicción de Precios"
    ]
    choice = st.sidebar.selectbox("Seleccione una opción", menu)

    if choice == "Chat":
        chat_interface()
    elif choice == "Búsqueda Web":
        query = st.text_input("Ingrese su búsqueda:")
        if query:
            search_web(query)
    elif choice == "Análisis de Imágenes":
        uploaded_file = st.file_uploader("Suba una imagen", type=["png", "jpg", "jpeg"])
        if uploaded_file:
            analyze_image(uploaded_file)
    elif choice == "Análisis Técnico":
        df = fetch_crypto_data()
        if df is not None:
            analyze_crypto_data(df)
    elif choice == "Análisis de Sentimiento":
        text = st.text_area("Ingrese el texto para analizar:")
        if text:
            sentiment = analyze_sentiment(text)
            st.write(f"El sentimiento del texto es: {sentiment}")
    elif choice == "Predicción de Precios":
        df = fetch_crypto_data()
        if df is not None:
            predict_prices(df)

if __name__ == "__main__":
    main()