evaluate.py

import numpy as np
import xarray as xr  # si usas netCDF
# o from netCDF4 import Dataset
# o import csv etc. según tu formato

def evaluate_prediction(pred_file_path, reference_file_path):
    """
    pred_file_path: str - Ruta al archivo subido por el participante
    reference_file_path: str - Ruta a tu ground-truth, local o en la web
    returns: dict - un diccionario con las métricas calculadas
    """
    # Ejemplo usando netCDF
    pred_data = xr.open_dataset(pred_file_path)
    ref_data  = xr.open_dataset(reference_file_path)

    # Asume que ambos tienen la misma dimensión "wavelength" o algo similar
    pred_values = pred_data["spectrum"].values  # shape (n_wavelengths,)
    ref_values  = ref_data["spectrum"].values   # shape (n_wavelengths,)

    # Calcular MRE por banda
    mre = np.abs((pred_values - ref_values) / ref_values)

    # MRE medio
    mre_mean = mre.mean()

    # Otras métricas
    rmse = np.sqrt(((pred_values - ref_values)**2).mean())
    
    # Retornar resultados en un dict
    return {
        "mre_mean": float(mre_mean),
        "rmse": float(rmse),
        "mre_spectrum": mre.tolist(),  # El espectro de MRE completo
    }