Update app.py

app.py

@@ -10,36 +10,39 @@ from scipy.stats import t
 import gradio as gr
 
 class RSM_BoxBehnken:
-    def __init__(self, data):
+    def __init__(self, data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels):
         """
         Inicializa la clase con los datos del diseño Box-Behnken.
 
         Args:
             data (pd.DataFrame): DataFrame con los datos del experimento.
+            x1_name (str): Nombre de la primera variable independiente.
+            x2_name (str): Nombre de la segunda variable independiente.
+            x3_name (str): Nombre de la tercera variable independiente.
+            y_name (str): Nombre de la variable dependiente.
+            x1_levels (list): Niveles de la primera variable independiente.
+            x2_levels (list): Niveles de la segunda variable independiente.
+            x3_levels (list): Niveles de la tercera variable independiente.
         """
         self.data = data.copy()
-        self.data.rename(columns={
-            'Glucosa': 'Glucosa',
-            'Extracto de Levadura': 'Extracto_de_Levadura',
-            'Triptófano': 'Triptofano',
-            'AIA (ppm)': 'AIA_ppm'
-        }, inplace=True)
+        # Ya no es necesario renombrar las columnas aquí, se hará al cargar los datos
 
         self.model = None
         self.model_simplified = None
         self.optimized_results = None
         self.optimal_levels = None
 
-        self.x1_name = 'Glucosa'
-        self.x2_name = 'Extracto_de_Levadura'
-        self.x3_name = 'Triptofano'
-        self.y_name = 'AIA_ppm'
+        self.x1_name = x1_name
+        self.x2_name = x2_name
+        self.x3_name = x3_name
+        self.y_name = y_name
 
         # Niveles originales de las variables
-        self.x1_levels = [1, 3.5, 5.5]  # Glucosa
-        self.x2_levels = [0.03, 0.2, 0.3]  # Extracto de Levadura
-        self.x3_levels = [0.4, 0.65, 0.9]  # Triptófano
-
+        self.x1_levels = x1_levels
+        self.x2_levels = x2_levels
+        self.x3_levels = x3_levels
+    
+    # Resto de los métodos de la clase (sin cambios)
     def get_levels(self, variable_name):
         """
         Obtiene los niveles para una variable específica.
@@ -69,7 +72,7 @@ class RSM_BoxBehnken:
         self.model = smf.ols(formula, data=self.data).fit()
         print("Modelo Completo:")
         print(self.model.summary())
-        self.pareto_chart(self.model, "Pareto - Modelo Completo")
+        return self.pareto_chart(self.model, "Pareto - Modelo Completo")
 
     def fit_simplified_model(self):
         """
@@ -80,7 +83,7 @@ class RSM_BoxBehnken:
         self.model_simplified = smf.ols(formula, data=self.data).fit()
         print("\nModelo Simplificado:")
         print(self.model_simplified.summary())
-        self.pareto_chart(self.model_simplified, "Pareto - Modelo Simplificado")
+        return self.pareto_chart(self.model_simplified, "Pareto - Modelo Simplificado")
 
     def optimize(self, method='Nelder-Mead'):
         """
@@ -309,55 +312,135 @@ class RSM_BoxBehnken:
 
         return fig
 
-# Crear un DataFrame a partir de la tabla
-data = pd.DataFrame({
-    'Exp.': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15],
-    'Glucosa': [-1, 1, -1, 1, -1, 1, -1, 1, 0, 0, 0, 0, 0, 0, 0],
-    'Extracto de Levadura': [-1, -1, 1, 1, 0, 0, 0, 0, -1, 1, -1, 1, 0, 0, 0],
-    'Triptófano': [0, 0, 0, 0, -1, -1, 1, 1, -1, -1, 1, 1, 0, 0, 0],
-    'AIA (ppm)': [166.594, 177.557, 127.261, 147.573, 188.883, 224.527, 190.238, 226.483, 195.550, 149.493, 187.683, 148.621, 278.951, 297.238, 280.896]
-})
-
-# Crear una instancia de la clase RSM_BoxBehnken
-rsm = RSM_BoxBehnken(data)
-
-# --- Interfaz de Gradio ---
+# --- Funciones para la interfaz de Gradio ---
+
+def load_data(x1_name, x2_name, x3_name, y_name, x1_levels_str, x2_levels_str, x3_levels_str, data_str):
+    """
+    Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
+
+    Args:
+        x1_name (str): Nombre de la primera variable independiente.
+        x2_name (str): Nombre de la segunda variable independiente.
+        x3_name (str): Nombre de la tercera variable independiente.
+        y_name (str): Nombre de la variable dependiente.
+        x1_levels_str (str): Niveles de la primera variable, separados por comas.
+        x2_levels_str (str): Niveles de la segunda variable, separados por comas.
+        x3_levels_str (str): Niveles de la tercera variable, separados por comas.
+        data_str (str): Datos del experimento en formato CSV, separados por comas.
+
+    Returns:
+        tuple: (pd.DataFrame, str, str, str, str, list, list, list, gr.update)
+    """
+    try:
+        # Convertir los niveles a listas de números
+        x1_levels = [float(x.strip()) for x in x1_levels_str.split(',')]
+        x2_levels = [float(x.strip()) for x in x2_levels_str.split(',')]
+        x3_levels = [float(x.strip()) for x in x3_levels_str.split(',')]
+
+        # Crear DataFrame a partir de la cadena de datos
+        data_list = [row.split(',') for row in data_str.strip().split('\n')]
+        column_names = ['Exp.', x1_name, x2_name, x3_name, y_name]
+        data = pd.DataFrame(data_list, columns=column_names)
+        data = data.apply(pd.to_numeric, errors='coerce')  # Convertir a numérico
+
+        # Validar que el DataFrame tenga las columnas correctas
+        if not all(col in data.columns for col in column_names):
+            raise ValueError("El formato de los datos no es correcto.")
+
+        # Crear la instancia de RSM_BoxBehnken
+        global rsm
+        rsm = RSM_BoxBehnken(data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels)
+
+        return data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels, gr.update(visible=True)
+
+    except Exception as e:
+        return None, "", "", "", "", [], [], [], gr.update(visible=False), f"Error: {e}"
 
 def fit_and_optimize_model():
-    rsm.fit_model()
-    rsm.fit_simplified_model()
+    if 'rsm' not in globals():
+        return None, None, "Error: Carga los datos primero."
+    
+    pareto_completo = rsm.fit_model()
+    pareto_simplificado = rsm.fit_simplified_model()
     rsm.optimize()
     model_summary = rsm.model_simplified.summary().as_html()
-    pareto_fig = rsm.pareto_chart(rsm.model_simplified, "Pareto - Modelo Simplificado")
-    return model_summary, pareto_fig, f"{rsm.x1_name}: {rsm.optimal_levels[0]:.4f} g/L, {rsm.x2_name}: {rsm.optimal_levels[1]:.4f} g/L, {rsm.x3_name}: {rsm.optimal_levels[2]:.4f} g/L, Valor máximo de {rsm.y_name}: {-rsm.optimized_results.fun:.4f}"
+    
+    return model_summary, pareto_completo, pareto_simplificado, f"{rsm.x1_name}: {rsm.optimal_levels[0]:.4f}, {rsm.x2_name}: {rsm.optimal_levels[1]:.4f}, {rsm.x3_name}: {rsm.optimal_levels[2]:.4f}, Valor máximo de {rsm.y_name}: {-rsm.optimized_results.fun:.4f}"
 
 def generate_rsm_plot(fixed_variable, fixed_level):
+    if 'rsm' not in globals():
+        return None, "Error: Carga los datos primero."
     fig = rsm.plot_rsm_individual(fixed_variable, fixed_level)
     return fig
 
-# Crear la interfaz de Gradio
+# --- Crear la interfaz de Gradio ---
+
 with gr.Blocks() as demo:
     gr.Markdown("# Optimización de la producción de AIA usando RSM Box-Behnken")
+
     with gr.Row():
+        with gr.Column():
+            gr.Markdown("## Configuración del Diseño")
+            x1_name_input = gr.Textbox(label="Nombre de la Variable X1 (ej. Glucosa)", value="Glucosa")
+            x2_name_input = gr.Textbox(label="Nombre de la Variable X2 (ej. Extracto de Levadura)", value="Extracto de Levadura")
+            x3_name_input = gr.Textbox(label="Nombre de la Variable X3 (ej. Triptófano)", value="Triptófano")
+            y_name_input = gr.Textbox(label="Nombre de la Variable Dependiente (ej. AIA (ppm))", value="AIA (ppm)")
+            x1_levels_input = gr.Textbox(label="Niveles de X1 (separados por comas)", value="1, 3.5, 5.5")
+            x2_levels_input = gr.Textbox(label="Niveles de X2 (separados por comas)", value="0.03, 0.2, 0.3")
+            x3_levels_input = gr.Textbox(label="Niveles de X3 (separados por comas)", value="0.4, 0.65, 0.9")
+            data_input = gr.Textbox(label="Datos del Experimento (formato CSV)", lines=5, value="""1,-1,-1,0,166.594
+2,1,-1,0,177.557
+3,-1,1,0,127.261
+4,1,1,0,147.573
+5,-1,0,-1,188.883
+6,1,0,-1,224.527
+7,-1,0,1,190.238
+8,1,0,1,226.483
+9,0,-1,-1,195.550
+10,0,1,-1,149.493
+11,0,-1,1,187.683
+12,0,1,1,148.621
+13,0,0,0,278.951
+14,0,0,0,297.238
+15,0,0,0,280.896""")
+            load_button = gr.Button("Cargar Datos")
+            
+
+        with gr.Column():
+            gr.Markdown("## Datos Cargados")
+            data_output = gr.Dataframe(label="Tabla de Datos")
+
+    # Hacer que la sección de análisis sea visible solo después de cargar los datos
+    with gr.Row(visible=False) as analysis_row:
         with gr.Column():
             fit_button = gr.Button("Ajustar Modelo y Optimizar")
             model_summary_output = gr.HTML()
-            pareto_chart_output = gr.Plot()
+            pareto_chart_completo = gr.Plot()
+            pareto_chart_simplificado = gr.Plot()
             optimization_results_output = gr.Textbox(label="Resultados de la Optimización")
         with gr.Column():
             gr.Markdown("## Generar Gráficos de Superficie de Respuesta")
-            fixed_variable_input = gr.Dropdown(label="Variable Fija", choices=[rsm.x1_name, rsm.x2_name, rsm.x3_name], value=rsm.x1_name)
-            fixed_level_input = gr.Slider(label="Nivel de Variable Fija", minimum=rsm.x1_levels[0], maximum=rsm.x1_levels[-1], step=0.01, value=rsm.x1_levels[1])
+            fixed_variable_input = gr.Dropdown(label="Variable Fija", choices=["Glucosa", "Extracto de Levadura", "Triptófano"], value="Glucosa")
+            fixed_level_input = gr.Slider(label="Nivel de Variable Fija", minimum=0, maximum=1, step=0.01, value=0.5)
             plot_button = gr.Button("Generar Gráfico")
             rsm_plot_output = gr.Plot()
 
-    fit_button.click(fit_and_optimize_model, inputs=[], outputs=[model_summary_output, pareto_chart_output, optimization_results_output])
-    plot_button.click(generate_rsm_plot, inputs=[fixed_variable_input, fixed_level_input], outputs=rsm_plot_output)
+    load_button.click(
+        load_data,
+        inputs=[x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, data_input],
+        outputs=[data_output, x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, analysis_row]
+    )
+
+    fit_button.click(fit_and_optimize_model, outputs=[model_summary_output, pareto_chart_completo, pareto_chart_simplificado, optimization_results_output])
+    plot_button.click(generate_rsm_plot, inputs=[fixed_variable_input, fixed_level_input], outputs=[rsm_plot_output])
 
     # Ejemplo de uso
     gr.Markdown("## Ejemplo de uso")
-    gr.Markdown("1. Haz clic en 'Ajustar Modelo y Optimizar' para ajustar el modelo y encontrar los niveles óptimos de los factores.")
-    gr.Markdown("2. Selecciona una variable fija y su nivel en los controles deslizantes.")
-    gr.Markdown("3. Haz clic en 'Generar Gráfico' para generar un gráfico de superficie de respuesta.")
+    gr.Markdown("1. Introduce los nombres de las variables y sus niveles en las cajas de texto correspondientes.")
+    gr.Markdown("2. Copia y pega los datos del experimento en la caja de texto 'Datos del Experimento'.")
+    gr.Markdown("3. Haz clic en 'Cargar Datos' para cargar los datos en la tabla.")
+    gr.Markdown("4. Haz clic en 'Ajustar Modelo y Optimizar' para ajustar el modelo y encontrar los niveles óptimos de los factores.")
+    gr.Markdown("5. Selecciona una variable fija y su nivel en los controles deslizantes.")
+    gr.Markdown("6. Haz clic en 'Generar Gráfico' para generar un gráfico de superficie de respuesta.")
 
 demo.launch()