Update app.py

app.py

@@ -1,63 +1,41 @@
-from flask import Flask, request, jsonify
+from transformers import pipeline
 import numpy as np
 
-app = Flask(__name__)
-
-def analizar_inversion(proyectos, pesos, tasas_retorno):
-    # Aquí iría tu función de análisis de inversión
-    # Por ejemplo:
-    correlacion = np.corrcoef(pesos, tasas_retorno)[0, 1]
-    desviacion_pesos = np.std(pesos)
-    desviacion_retorno = np.std(tasas_retorno)
-    proyecto_max = proyectos[np.argmax(tasas_retorno)]
-    proyecto_min = proyectos[np.argmin(tasas_retorno)]
-    
-    return {
-        "correlacion": correlacion,
-        "desviacion_pesos": desviacion_pesos,
-        "desviacion_retorno": desviacion_retorno,
-        "proyecto_max": proyecto_max,
-        "proyecto_min": proyecto_min
-    }
-
-@app.route("/analizar-inversion", methods=["POST"])
-def analizar_inversion_endpoint():
-    data = request.json
-    proyectos = data["proyectos"]
-    pesos = data["pesos"]
-    tasas_retorno = data["tasas_retorno"]
-    
-    resultado = analizar_inversion(proyectos, pesos, tasas_retorno)
-    
-    return jsonify(resultado)
-
-if __name__ == "__main__":
-    app.run(debug=True)
-import streamlit as st
-import requests
-
-def analizar_inversion_api(proyectos, pesos, tasas_retorno):
-    url = "http://localhost:5000/analizar-inversion"
-    data = {"proyectos": proyectos, "pesos": pesos, "tasas_retorno": tasas_retorno}
-    response = requests.post(url, json=data)
-    return response.json()
-
-st.title("Análisis de Inversión")
-
-proyectos = st.text_input("Proyectos (separados por comas)")
-pesos = st.text_input("Pesos (separados por comas)")
-tasas_retorno = st.text_input("Tasas de Retorno (separadas por comas)")
-
-if st.button("Analizar"):
-    proyectos = proyectos.split(",")
-    pesos = [float(p) for p in pesos.split(",")]
-    tasas_retorno = [float(r) for r in tasas_retorno.split(",")]
-
-    resultado = analizar_inversion_api(proyectos, pesos, tasas_retorno)
-
-    st.write("Correlación entre pesos de inversión y tasas de retorno:", resultado["correlacion"])
-    st.write("Desviación estándar de los pesos de inversión:", resultado["desviacion_pesos"])
-    st.write("Desviación estándar de las tasas de retorno:", resultado["desviacion_retorno"])
-    st.write("Proyecto con mayor tasa de retorno:", resultado["proyecto_max"])
-    st.write("Proyecto con menor tasa de retorno:", resultado["proyecto_min"])
+# Crear el pipeline para la aplicación web
+app = pipeline("text-generation", model="distilgpt2")
+
+# Función para analizar las variables
+def analizar_variables(x1, x2):
+    # Calcular los promedios de las variables
+    promedio_x1 = np.mean(x1)
+    promedio_x2 = np.mean(x2)
+
+    # Calcular el valor esperado de las variables
+    valor_esperado_x1 = np.mean(x1)
+    valor_esperado_x2 = np.mean(x2)
+
+    # Calcular la desviación estándar de las variables
+    desviacion_x1 = np.std(x1)
+    desviacion_x2 = np.std(x2)
+
+    return promedio_x1, promedio_x2, valor_esperado_x1, valor_esperado_x2, desviacion_x1, desviacion_x2
+
+# Entrada de datos
+x1 = input("Ingrese los valores de la variable X1 separados por comas: ")
+x2 = input("Ingrese los valores de la variable X2 separados por comas: ")
+
+# Convertir las entradas en listas de números
+x1 = list(map(float, x1.split(',')))
+x2 = list(map(float, x2.split(',')))
+
+# Analizar las variables
+promedio_x1, promedio_x2, valor_esperado_x1, valor_esperado_x2, desviacion_x1, desviacion_x2 = analizar_variables(x1, x2)
+
+# Generar el texto de salida
+output_text = f"Promedio de X1: {promedio_x1}\nPromedio de X2: {promedio_x2}\nValor esperado de X1: {valor_esperado_x1}\nValor esperado de X2: {valor_esperado_x2}\nDesviación estándar de X1: {desviacion_x1}\nDesviación estándar de X2: {desviacion_x2}"
+
+# Generar la respuesta con Hugging Face
+respuesta = app(output_text, max_length=50, num_return_sequences=1)[0]['generated_text']
+
+print(respuesta)