File size: 3,655 Bytes
ba23493
 
 
 
 
 
 
 
86eb7a2
ba23493
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
86eb7a2
ba23493
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd
import numpy as np
from vectorization import spotify_data
import json
import gradio as gr
from gradio.components import Textbox
from ast import literal_eval
spotify_data_processed = pd.read_csv('dataset_modificado.csv')

def convert_string_to_array(str_vector):
    # Si str_vector ya es un array de NumPy, devolverlo directamente
    if isinstance(str_vector, np.ndarray):
        return str_vector

    try:
        cleaned_str = str_vector.replace('[', '').replace(']', '').replace('\n', ' ').replace('\r', '').strip()
        vector_elements = [float(item) for item in cleaned_str.split()]
        return np.array(vector_elements)
    except ValueError as e:
        print("Error:", e)
        return np.zeros((100,))


spotify_data_processed['song_vector'] = spotify_data_processed['song_vector'].apply(convert_string_to_array)


# Aplicar la funci贸n a las primeras filas para ver los resultados
sample_data = spotify_data_processed['song_vector'].head()
converted_vectors = sample_data.apply(convert_string_to_array)
print(converted_vectors)



def recommend_song(song_name, artist_name, spotify_data_processed, top_n=4):
    # Filtrar para encontrar la canci贸n espec铆fica
    specific_song = spotify_data_processed[(spotify_data_processed['song'] == song_name)
                                            & (spotify_data_processed['artist'] == artist_name)]

    # Verificar si la canci贸n existe en el dataset
    if specific_song.empty:
        return pd.DataFrame({"Error": ["Canci贸n no encontrada en la base de datos."]})


    # Obtener el vector de la canci贸n espec铆fica
    song_vec = specific_song['song_vector'].iloc[0]

    # Asegurarte de que song_vec sea un array de NumPy
    if isinstance(song_vec, str):
        song_vec = convert_string_to_array(song_vec)

    all_song_vectors = np.array(spotify_data_processed['song_vector'].tolist())

    # Calcular similitudes
    similarities = cosine_similarity([song_vec], all_song_vectors)[0]

    # Obtener los 铆ndices de las canciones m谩s similares
    top_indices = np.argsort(similarities)[::-1][1:top_n+1]

    # Devolver los nombres y artistas de las canciones m谩s similares
    recommended_songs = spotify_data_processed.iloc[top_indices][['song', 'artist']]
    return recommended_songs





def recommend_song_interface(song_name, artist_name):
    recommendations_df = recommend_song(song_name, artist_name, spotify_data_processed)
    
    if isinstance(recommendations_df, pd.DataFrame):
        # Convierte el DataFrame en una lista de listas y luego a un formato de texto plano para la salida
        recommendations_list = recommendations_df.values.tolist()
        return ["{} by {}".format(song, artist) for song, artist in recommendations_list]
    else:
        # Si no es un DataFrame, devolver el mensaje de error
        return recommendations_df

# Crear la interfaz con Gradio
iface = gr.Interface(
    fn=recommend_song_interface,
    inputs=[
        gr.Textbox(placeholder="Ingrese el t铆tulo de la canci贸n", label="T铆tulo de la Canci贸n"),
        gr.Textbox(placeholder="Ingrese el nombre del artista", label="Nombre del Artista")
    ],
    outputs=[gr.Text(label="Recomendaci贸n 1"),
             gr.Text(label="Recomendaci贸n 2"),
             gr.Text(label="Recomendaci贸n 3"),
             gr.Text(label="Recomendaci贸n 4")],
    title="Recomendador de Canciones",
    description="Ingrese el t铆tulo de una canci贸n y el nombre del artista para obtener recomendaciones.",
    theme="dark",  # Comenta o elimina si el tema oscuro no est谩 disponible

)

iface.launch()