feat:updated app.py file

app.py

@@ -8,6 +8,7 @@ from sklearn.feature_extraction.text import TfidfVectorizer
 from sklearn.metrics.pairwise import cosine_similarity
 from sklearn.metrics import mean_absolute_error, mean_squared_error
 from joblib import dump, load
+from utils import recomienda_tfid
 
 
 # Page configuration
@@ -342,75 +343,40 @@ elif page == "Customer Analysis":
             st.warning("Please select a customer.")
 
 
-def recomienda_tfid(new_basket):
-
-    cestas = pd.read_csv('../data/processed/cestas.csv') 
-    productos = pd.read_csv('../data/processed/productos.csv')
-
-    # Cargar la matriz TF-IDF y el modelo
-    tfidf_matrix = load('../models/tfidf_matrix.joblib') 
-    # MAtriz que tienen cada columna los diferentes artículos y las diferentes cestas en las filas
-    # Los valores son la importancia de cada artículo en la cesta según las veces que aparece en la misma y el total de artículos
-    tfidf = load('../models/tfidf_model.joblib')
-
-    # Convertir la nueva cesta en formato TF-IDF
-    new_basket_str = ' '.join(new_basket)
-    new_basket_tfidf = tfidf.transform([new_basket_str])
-
-    # Comparar la nueva cesta con las anteriores
-    # Calculando la distancia coseoidal, distancia entre rectas
-    similarities = cosine_similarity(new_basket_tfidf, tfidf_matrix)
-    # La similitud coseno devuelve un valor entre 0 y 1, donde 1 significa 
-    # que las cestas son idénticas en términos de productos y 0 que no comparten ningún producto.
-
-    # Obtener los índices de las cestas más similares
-    # Muestra los índices de Las 3 cestas más parecidas atendiendo a la distancia calculada anteriormente
-    similar_indices = similarities.argsort()[0][-4:]  # Las 3 más similares
-
-    # Crear un diccionario para contar las recomendaciones
-    recommendations_count = {}
-    total_similarity = 0
-
-    # Recomendar productos de cestas similares
-    for idx in similar_indices:
-        sim_score = similarities[0][idx]
-        # sim_score es el valor de similitud de la cesta actual con la cesta similar.
-        total_similarity += sim_score # Suma de las similitudes entre 0 y el nº de cestas similares
-        products = cestas.iloc[idx]['Cestas'].split()
-        
-        for product in products:
-            if product.strip() not in new_basket:  # Evitar recomendar lo que ya está en la cesta
-                recommendations_count[product.strip()] = recommendations_count.get(product.strip(), 0) + sim_score
-                #  se utiliza para incrementar el conteo del producto en recommendations_count.
-                # almacena el conteo de la relevancia de cada producto basado en cuántas veces aparece en las cestas similares, ponderado por la similitud de cada cesta.
-                # sumandole sim_score se incrementa el score cuando la cesta es mas similar
-
-    # Calcular la probabilidad relativa de cada producto recomendado
-    recommendations_with_prob = []
-    if total_similarity > 0:  # Verificar que total_similarity no sea cero
-        recommendations_with_prob = [(product, score / total_similarity) for product, score in recommendations_count.items()]
-        # Se guarda cada producto junto su score calculada
-    else:
-        print("No se encontraron similitudes suficientes para calcular probabilidades.")
-     
-    recommendations_with_prob.sort(key=lambda x: x[1], reverse=True)  # Ordenar por puntuación
+# Customer Recommendations Page
+elif page == "Articles Recommendations":
+    st.title("Articles Recommendations")
 
-    # Crear un nuevo DataFrame para almacenar las recomendaciones
-    recommendations_data = []
-    
-    for product, score in recommendations_with_prob:
-        # Buscar la descripción en el DataFrame de productos
-        description = productos.loc[productos['ARTICULO'] == product, 'DESCRIPCION']
-        if not description.empty:
-            recommendations_data.append({
-                'ARTICULO': product,
-                'DESCRIPCION': description.values[0],  # Obtener el primer valor encontrado
-                'RELEVANCIA': score
-            })
-
-    recommendations_df = pd.DataFrame(recommendations_data)
-    
-    return recommendations_df
+    st.markdown("""
+        Get tailored recommendations for your customers based on their basket.
+    """)
+
+    st.write("Select items and assign quantities for the basket:")
+
+    # Mostrar lista de artículos disponibles
+    available_articles = productos['ARTICULO'].unique()
+    selected_articles = st.multiselect("Select Articles", available_articles)
+
+    # Crear inputs para ingresar las cantidades de cada artículo seleccionado
+    quantities = {}
+    for article in selected_articles:
+        quantities[article] = st.number_input(f"Quantity for {article}", min_value=0, step=1)
+
+    if st.button("Calcular"):  # Añadimos el botón "Calcular"
+                # Crear una lista de artículos basada en la selección
+        new_basket = [f"{article} x{quantities[article]}" for article in selected_articles if quantities[article] > 0]
+
+        if new_basket:
+            # Procesar la lista para recomendar
+            recommendations_df = recomienda_tfid(new_basket)
+
+            if not recommendations_df.empty:
+                st.write("### Recommendations based on the current basket:")
+                st.dataframe(recommendations_df)
+            else:
+                st.warning("No recommendations found for the provided basket.")
+        else:
+            st.warning("Please select at least one article and set its quantity.")
 
 # # Customer Recommendations Page
 # elif page == "Articles Recommendations":