Spaces:
Sleeping
Sleeping
Commit
•
d70785e
1
Parent(s):
29b7b1b
Update app.py
Browse files
app.py
CHANGED
@@ -1,63 +1,41 @@
|
|
1 |
-
from
|
2 |
import numpy as np
|
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 |
-
data = {"proyectos": proyectos, "pesos": pesos, "tasas_retorno": tasas_retorno}
|
42 |
-
response = requests.post(url, json=data)
|
43 |
-
return response.json()
|
44 |
-
|
45 |
-
st.title("Análisis de Inversión")
|
46 |
-
|
47 |
-
proyectos = st.text_input("Proyectos (separados por comas)")
|
48 |
-
pesos = st.text_input("Pesos (separados por comas)")
|
49 |
-
tasas_retorno = st.text_input("Tasas de Retorno (separadas por comas)")
|
50 |
-
|
51 |
-
if st.button("Analizar"):
|
52 |
-
proyectos = proyectos.split(",")
|
53 |
-
pesos = [float(p) for p in pesos.split(",")]
|
54 |
-
tasas_retorno = [float(r) for r in tasas_retorno.split(",")]
|
55 |
-
|
56 |
-
resultado = analizar_inversion_api(proyectos, pesos, tasas_retorno)
|
57 |
-
|
58 |
-
st.write("Correlación entre pesos de inversión y tasas de retorno:", resultado["correlacion"])
|
59 |
-
st.write("Desviación estándar de los pesos de inversión:", resultado["desviacion_pesos"])
|
60 |
-
st.write("Desviación estándar de las tasas de retorno:", resultado["desviacion_retorno"])
|
61 |
-
st.write("Proyecto con mayor tasa de retorno:", resultado["proyecto_max"])
|
62 |
-
st.write("Proyecto con menor tasa de retorno:", resultado["proyecto_min"])
|
63 |
|
|
|
1 |
+
from transformers import pipeline
|
2 |
import numpy as np
|
3 |
|
4 |
+
# Crear el pipeline para la aplicación web
|
5 |
+
app = pipeline("text-generation", model="distilgpt2")
|
6 |
+
|
7 |
+
# Función para analizar las variables
|
8 |
+
def analizar_variables(x1, x2):
|
9 |
+
# Calcular los promedios de las variables
|
10 |
+
promedio_x1 = np.mean(x1)
|
11 |
+
promedio_x2 = np.mean(x2)
|
12 |
+
|
13 |
+
# Calcular el valor esperado de las variables
|
14 |
+
valor_esperado_x1 = np.mean(x1)
|
15 |
+
valor_esperado_x2 = np.mean(x2)
|
16 |
+
|
17 |
+
# Calcular la desviación estándar de las variables
|
18 |
+
desviacion_x1 = np.std(x1)
|
19 |
+
desviacion_x2 = np.std(x2)
|
20 |
+
|
21 |
+
return promedio_x1, promedio_x2, valor_esperado_x1, valor_esperado_x2, desviacion_x1, desviacion_x2
|
22 |
+
|
23 |
+
# Entrada de datos
|
24 |
+
x1 = input("Ingrese los valores de la variable X1 separados por comas: ")
|
25 |
+
x2 = input("Ingrese los valores de la variable X2 separados por comas: ")
|
26 |
+
|
27 |
+
# Convertir las entradas en listas de números
|
28 |
+
x1 = list(map(float, x1.split(',')))
|
29 |
+
x2 = list(map(float, x2.split(',')))
|
30 |
+
|
31 |
+
# Analizar las variables
|
32 |
+
promedio_x1, promedio_x2, valor_esperado_x1, valor_esperado_x2, desviacion_x1, desviacion_x2 = analizar_variables(x1, x2)
|
33 |
+
|
34 |
+
# Generar el texto de salida
|
35 |
+
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}"
|
36 |
+
|
37 |
+
# Generar la respuesta con Hugging Face
|
38 |
+
respuesta = app(output_text, max_length=50, num_return_sequences=1)[0]['generated_text']
|
39 |
+
|
40 |
+
print(respuesta)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
41 |
|