Spaces:
Running
Running
File size: 35,603 Bytes
103ce4f 17d0ec6 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f e05f9dd 103ce4f |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 |
import streamlit as st
import pandas as pd
import plotly.express as px
import random
import time
import joblib
import os
import statsmodels
from dotenv import load_dotenv
import os
from groq import Groq
import html
from pydub import AudioSegment
import tempfile
from io import BytesIO
from fpdf import FPDF
from PIL import Image
from math import ceil
from datetime import datetime
from sklearn.metrics import r2_score
#from langchain.agents.agent_toolkits import create_csv_agent
#from langchain_groq import ChatGroq
# ===========================
# Función para generar datos ficticios
# ===========================
def generar_datos():
meses = [
"Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio",
"Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre"
]
paises = ["México", "Colombia", "Argentina", "Chile", "Perú"]
data = [
{"mes": mes, "pais": pais, "Total": random.randint(100, 1000)}
for mes in meses for pais in paises
]
return pd.DataFrame(data), meses, paises
# ===========================
# Función para el dashboard principal
# ===========================
def mostrar_dashboard():
# Cargar variables desde el archivo .env
load_dotenv()
# Acceder a la clave
groq_key = os.getenv("GROQ_API_KEY")
client = Groq(api_key=groq_key)
dfDatos, meses, paises = generar_datos()
# Opciones del selectbox
lista_opciones = ['5 años', '3 años', '1 año', '5 meses']
# Mostrar barra lateral
mostrar_sidebar(client)
# Título principal
st.header(':bar_chart: Dashboard Sales')
# Mostrar gráficos
mostrar_graficos(lista_opciones)
# ===========================
# Configuración inicial de la página
# ===========================
#def configurar_pagina():
#st.set_page_config(
# page_title="Dashboard Sales",
# page_icon=":smile:",
# layout="wide",
# initial_sidebar_state="expanded"
#)
# ===========================
# Función para la barra lateral
# ===========================
def mostrar_sidebar(client):
"""
Windows
sidebar_logo = "paginas/images/Logo general.png"
main_body_logo = "paginas/images/Logo.png"
sidebar_logo_dashboard = "paginas/images/Logo dashboard.png"
"""
sidebar_logo = "paginas/images/Logo general.png"
main_body_logo = "paginas/images/Logo.png"
sidebar_logo_dashboard = "paginas/images/Logo dashboard.png"
st.logo(sidebar_logo, size="large", icon_image=main_body_logo)
st.sidebar.image(sidebar_logo_dashboard)
st.sidebar.title('🧠 GenAI Forecast')
uploaded_file = selectedFile()
verifyFile(uploaded_file)
archivo_csv = "df_articles.csv"
chatBotProtech(client)
downloadCSV(archivo_csv)
closeSession()
def closeSession():
if st.sidebar.button("Cerrar Sesión"):
cerrar_sesion()
def guardar_graficas_como_imagen(figuras: dict):
rutas_imagenes = []
temp_dir = tempfile.gettempdir()
for nombre, figura in figuras.items():
ruta_png = os.path.join(temp_dir, f"{nombre}.png")
ruta_jpeg = os.path.join(temp_dir, f"{nombre}.jpg")
# Guardar como PNG primero
figura.write_image(ruta_png, width=900, height=500, engine="kaleido")
# Convertir a JPEG usando PIL
with Image.open(ruta_png) as img:
rgb_img = img.convert("RGB") # Asegura formato compatible con JPEG
rgb_img.save(ruta_jpeg, "JPEG", quality=95)
rutas_imagenes.append((nombre, ruta_jpeg))
# Opcional: borrar el PNG temporal
os.remove(ruta_png)
return rutas_imagenes
def generateHeaderPDF(pdf):
# Logo
logo_path = r"paginas\images\Logo general.png"
if os.path.exists(logo_path):
pdf.image(logo_path, x=7, y=6, w=35)
# Título centrado
pdf.set_font('Arial', 'B', 16)
pdf.set_xy(5, 10)
pdf.cell(w=0, h=10, txt="Reporte del Dashboard de Ventas", border=0, ln=0, align='C')
# Fecha lado derecho
fecha = datetime.now().strftime("%d/%m/%Y")
pdf.set_xy(-40, 5)
pdf.set_font('Arial', '', 10)
pdf.cell(w=30, h=10, txt=fecha, border=0, ln=0, align='R')
pdf.ln(15)
def generateFooterPDF(pdf):
pdf.set_y(-30)
pdf.set_font('Arial', 'I', 8)
pdf.set_text_color(100)
pdf.cell(0, 5, "PRO TECHNOLOGY SOLUTIONS S.A.C - Área de ventas", 0, 1, 'C')
pdf.cell(0, 5, "Reporte generado automáticamente por el sistema de análisis", 0, 1, 'C')
pdf.cell(0, 5, f"Página {pdf.page_no()}", 0, 0, 'C')
def generateContentPDF(pdf, imagenes):
for i in range(0, len(imagenes), 2):
pdf.add_page()
generateHeaderPDF(pdf)
# Primera imagen
titulo1, ruta1 = imagenes[i]
if os.path.exists(ruta1):
img1 = Image.open(ruta1).convert("RGB")
ruta_color1 = ruta1.replace(".png", "_color.png")
img1.save(ruta_color1)
pdf.image(ruta_color1, x=10, y=30, w=180)
# Segunda imagen
if i + 1 < len(imagenes):
titulo2, ruta2 = imagenes[i + 1]
if os.path.exists(ruta2):
img2 = Image.open(ruta2).convert("RGB")
ruta_color2 = ruta2.replace(".png", "_color.png")
img2.save(ruta_color2)
pdf.image(ruta_color2, x=10, y=150, w=180)
generateFooterPDF(pdf)
def generar_reporte_dashboard(imagenes):
pdf = FPDF(orientation='P', unit='mm', format='A4')
pdf.set_auto_page_break(auto=True, margin=15)
generateContentPDF(pdf, imagenes)
ruta_pdf = "reporte.pdf"
pdf.output(ruta_pdf)
return ruta_pdf
# Función para obtener los meses relevantes
def obtener_meses_relevantes(df):
# Extraemos los años y meses de la columna 'Date'
df['Year'] = pd.to_datetime(df['orddt']).dt.year
df['Month'] = pd.to_datetime(df['orddt']).dt.month
# Encontramos el primer y último año en el dataset
primer_ano = df['Year'].min()
ultimo_ano = df['Year'].max()
meses_relevantes = []
nombres_meses_relevantes = []
# Recorrer todos los años dentro del rango
for ano in range(primer_ano, ultimo_ano + 1):
for mes in [1, 4, 7, 10]: # Meses relevantes: enero (1), abril (4), julio (7), octubre (10)
if mes in df[df['Year'] == ano]['Month'].values:
# Obtener el nombre del mes
nombre_mes = pd.to_datetime(f"{ano}-{mes}-01").strftime('%B') # Mes en formato textual (Enero, Abril, etc.)
meses_relevantes.append(f"{nombre_mes}-{ano}")
nombres_meses_relevantes.append(f"{nombre_mes}-{ano}")
return meses_relevantes, nombres_meses_relevantes
# ===========================
# Función para gráficos
# ===========================
def mostrar_graficos(lista_opciones):
if "archivo_subido" not in st.session_state or not st.session_state.archivo_subido:
st.warning("Por favor, sube un archivo CSV válido para visualizar los gráficos.")
return
df = st.session_state.df_subido.copy()
# --- Tarjetas con métricas clave ---
# Tasa de crecimiento por fecha si existe
total_ventas = df["sales"].sum()
promedio_ventas = df["sales"].mean()
st.subheader("📈 Resumen General")
# Tasa de crecimiento por fecha si existe
df['orddt'] = pd.to_datetime(df['orddt'], errors='coerce')
#Total de ventas
total_ventas = df['sales'].sum()
promedio_ventas = df['sales'].mean()
total_registros = df.shape[0]
# Tasa de crecimiento
df_filtrado = df.dropna(subset=['orddt'])
df_filtrado['mes_anio'] = df_filtrado['orddt'].dt.to_period('M')
ventas_por_mes = df_filtrado.groupby('mes_anio')['sales'].sum().sort_index()
tasa_crecimiento = None
if len(ventas_por_mes) >= 2:
primera_venta = ventas_por_mes.iloc[0]
ultima_venta = ventas_por_mes.iloc[-1]
if primera_venta != 0:
tasa_crecimiento = ((ultima_venta - primera_venta) / primera_venta) * 100
tarjetas = [
{"titulo": "Total de Ventas", "valor": abreviar_monto(total_ventas), "color": "#4CAF50"},
{"titulo": "Promedio de Ventas", "valor": f"${promedio_ventas:,.0f}", "color": "#2196F3"},
{"titulo": "Ventas registradas", "valor": total_registros, "color": "#9C27B0"},
{"titulo": "Tasa de crecimiento", "valor": f"{tasa_crecimiento:.2f}%" if tasa_crecimiento is not None else "N/A", "color": "#FF5722"},
]
col1, col2, col3, col4 = st.columns(4)
cols = [col1, col2, col3, col4]
for i, tarjeta in enumerate(tarjetas):
with cols[i]:
st.markdown(f"""
<div style='background-color:{tarjeta["color"]}; padding:20px; border-radius:10px; color:white; text-align:center;'>
<h4 style='margin:0;'>{tarjeta["titulo"]}</h4>
<h2 style='margin:0;'>{tarjeta["valor"]}</h2>
</div>
""", unsafe_allow_html=True)
st.markdown("---")
# Opciones de modelos (incluye una opción por defecto)
opciones_modelos = ["(Sin predicción)"] + ["LightGBM", "XGBoost",
"HistGradientBoosting",
"MLPRegressor", "GradientBoosting",
"RandomForest", "CatBoost"]
col_select, col_plot = st.columns([1, 5])
with col_select:
modelo_seleccionado = st.selectbox("Selecciona un modelo", opciones_modelos)
with col_plot.container(border=True):
if modelo_seleccionado == "(Sin predicción)":
if modelo_seleccionado == "(Sin predicción)":
df_real = df.copy()
df_real = df_real.dropna(subset=["orddt", "sales"])
fig_real = px.scatter(
df_real,
x="orddt",
y="sales",
trendline="ols", # Línea de regresión
color_discrete_sequence=["#1f77b4"],
trendline_color_override="orange",
labels={"sales": "Ventas", "orddt": "Fecha"},
title="Ventas Reales (Dispersión + Tendencia)",
width=600,
height=400
)
fig_real.update_traces(marker=dict(size=6), selector=dict(mode='markers'))
fig_real.update_layout(
template="plotly_white",
margin=dict(l=40, r=40, t=60, b=40),
legend_title_text="Datos",
showlegend=True
)
st.plotly_chart(fig_real, use_container_width=True)
else:
# Cargar modelo .pkl correspondiente
modelo_path = f"regressionmodels/{modelo_seleccionado.lower()}.pkl"
modelo = joblib.load(modelo_path)
# Preparar datos
df_pred = df.copy()
df_pred = df_pred.dropna(subset=["orddt"])
X_nuevo = df_pred.drop(columns=["sales"]) # Asegúrate que coincida con el modelo
y_pred = modelo.predict(X_nuevo)
df_pred["pred"] = y_pred
# Calcular precisión del modelo
r2 = r2_score(df_pred["sales"], df_pred["pred"])
# Gráfico de dispersión con línea de regresión
fig_pred = px.scatter(
df_pred,
x="sales",
y="pred",
trendline="ols",
color_discrete_sequence=["#1f77b4"],
trendline_color_override="orange",
labels={"sales": "Ventas Reales", "pred": "Ventas Predichas"},
title=f"Ventas Reales vs Predicción ({modelo_seleccionado})<br><sup>Precisión (R²): {r2:.3f}</sup>",
width=600, height=400
)
fig_pred.update_traces(marker=dict(size=6), selector=dict(mode='markers'))
fig_pred.update_layout(
legend_title_text='Datos',
template="plotly_white",
showlegend=True
)
st.plotly_chart(fig_pred, use_container_width=True)
# Fila 1: 3 gráficas
col1, col2 = st.columns(2)
with col1:
with col1.container(border=True):
fig1 = px.histogram(df, x='sales', title='Distribución de Ventas',
color_discrete_sequence=['#1f77b4'])
fig1.update_layout(
template="plotly_white",
margin=dict(l=40, r=40, t=60, b=40),
width=600,
height=400,
legend_title_text="Leyenda"
)
fig1.update_traces(marker=dict(line=dict(width=0.5, color='white')))
st.plotly_chart(fig1, use_container_width=True)
with col2:
with col2.container(border=True):
fig2 = px.box(df, x='segmt', y='sales', title='Ventas por Segmento',
color='segmt', color_discrete_sequence=px.colors.qualitative.Plotly)
st.plotly_chart(fig2, use_container_width=True)
# Fila 2: 2 gráficas
col4, col5 = st.columns(2)
with col4:
with col4.container(border=True):
fig4 = px.pie(df, names='categ', values='sales', title='Ventas por Categoría',
color_discrete_sequence=px.colors.qualitative.Set3)
st.plotly_chart(fig4, use_container_width=True)
with col5:
top_productos = (
df.groupby('prdna')['sales']
.sum()
.sort_values(ascending=False)
.head(10)
.reset_index()
)
with col5.container(border=True):
fig5 = px.bar(
top_productos,
x='sales',
y='prdna',
orientation='h',
title='Top 10 productos más vendidos',
labels={'sales': 'Ventas', 'prdna': 'Producto'},
color='sales',
color_continuous_scale='Blues'
)
fig5.update_layout(yaxis={'categoryorder': 'total ascending'})
st.plotly_chart(fig5, use_container_width=True)
col6, col7 = st.columns(2)
with col6:
with col6.container(border=True):
tabla = df.pivot_table(index='state', columns='subct', values='sales', aggfunc='sum').fillna(0)
if not tabla.empty:
tabla = tabla.astype(float)
fig6 = px.imshow(
tabla.values,
labels=dict(x="Categoría", y="Estado", color="Ventas"),
x=tabla.columns,
y=tabla.index,
text_auto=True,
title="Mapa de Calor: Ventas por distrito y categoría",
color_continuous_scale="Viridis"
)
st.plotly_chart(fig6, use_container_width=True)
else:
st.warning("No hay datos suficientes para mostrar el mapa de calor.")
with col7:
ventas_estado = df.groupby('state')['sales'].sum().reset_index()
with col7.container(border=True):
fig7 = px.bar(ventas_estado, x='state', y='sales', title='Ventas por distrito',
color='sales', color_continuous_scale='Teal')
st.plotly_chart(fig7, use_container_width=True)
if st.button("📄 Generar Reporte PDF del Dashboard"):
figs = [fig1, fig2, fig4, fig5, fig6, fig7]
figuras = {}
for fig in figs:
titulo = fig.layout.title.text or "Sin Título"
figuras[titulo] = fig
st.info("Generando imágenes de las gráficas...")
imagenes = guardar_graficas_como_imagen(figuras)
st.info("Generando PDF...")
ruta_pdf = generar_reporte_dashboard(imagenes)
with open(ruta_pdf, "rb") as f:
st.download_button("⬇️ Descargar Reporte PDF", f, file_name="reporte_dashboard.pdf")
def abreviar_monto(valor):
if valor >= 1_000_000:
return f"${valor / 1_000_000:.2f}M"
elif valor >= 1_000:
return f"${valor / 1_000:.2f}K"
else:
return f"${valor:.2f}"
# -------------------------------
# CARGA DE CSV Y GUARDADO EN SESIÓN
# -------------------------------
def loadCSV():
columnas_requeridas = [
'rowid','ordid','orddt','shpdt',
'segmt','state','cono','prodid',
'categ','subct','prdna','sales',
'order_month','order_day','order_year',
'order_dayofweek','shipping_delay'
]
with st.sidebar.expander("📁 Subir archivo"):
uploaded_file = st.file_uploader("Sube un archivo CSV:", type=["csv"], key="upload_csv")
if uploaded_file is not None:
# Reseteamos el estado de 'descargado' cuando se sube un archivo
st.session_state.descargado = False
st.session_state.archivo_subido = False # Reinicia el estado
try:
# Leer el archivo subido
df = pd.read_csv(uploaded_file)
# Verificar que las columnas estén presentes y en el orden correcto
if list(df.columns) == columnas_requeridas:
st.session_state.df_subido = df
st.session_state.archivo_subido = True
aviso = st.sidebar.success("✅ Archivo subido correctamente.")
time.sleep(3)
aviso.empty()
else:
st.session_state.archivo_subido = False
aviso = st.sidebar.error(f"El archivo no tiene las columnas requeridas: {columnas_requeridas}.")
time.sleep(3)
aviso.empty()
except Exception as e:
aviso = st.sidebar.error(f"Error al procesar el archivo: {str(e)}")
time.sleep(3)
aviso.empty()
# -------------------------------
# Mostrar uploader y manejar estado
# -------------------------------
def selectedFile():
with st.sidebar.expander("📁 Subir archivo"):
uploaded_file = st.file_uploader("Sube un archivo CSV:", type=["csv"], key="upload_csv")
if uploaded_file is not None:
st.session_state.descargado = False
st.session_state.archivo_subido = False
return uploaded_file
return None
# -------------------------------
# Procesar y validar archivo (con cache)
# -------------------------------
@st.cache_data
def loadCSV(uploaded_file):
columnas_requeridas = [
'rowid','ordid','orddt','shpdt',
'segmt','state','cono','prodid',
'categ','subct','prdna','sales',
'order_month','order_day','order_year',
'order_dayofweek','shipping_delay'
]
df = pd.read_csv(uploaded_file)
if list(df.columns) == columnas_requeridas:
return df, None
else:
return None, f"❌ El archivo no tiene las columnas requeridas: {columnas_requeridas}"
# -------------------------------
# Procesar y validar archivo (con cache)
# -------------------------------
def verifyFile(uploadedFile):
if uploadedFile:
try:
df, error = loadCSV(uploadedFile)
if error is None:
st.session_state.df_subido = df
st.session_state.archivo_subido = True
aviso = st.sidebar.success("✅ Archivo subido correctamente.")
else:
aviso = st.sidebar.error(error)
time.sleep(3)
aviso.empty()
except Exception as e:
aviso = st.sidebar.error(f"⚠️ Error al procesar el archivo: {str(e)}")
time.sleep(3)
aviso.empty()
# ===========================
# Función para descargar archivo CSV
# ===========================
def downloadCSV(archivo_csv):
# Verificamos si el archivo ya ha sido descargado
if 'descargado' not in st.session_state:
st.session_state.descargado = False
if not st.session_state.descargado:
descarga = st.sidebar.download_button(
label="Descargar archivo CSV",
data=open(archivo_csv, "rb"),
file_name="ventas.csv",
mime="text/csv"
)
if descarga:
# Marcamos el archivo como descargado
st.session_state.descargado = True
aviso = st.sidebar.success("¡Descarga completada!")
# Hacer que el mensaje desaparezca después de 2 segundos
time.sleep(3)
aviso.empty()
else:
aviso = st.sidebar.success("¡Ya has descargado el archivo!")
time.sleep(3)
aviso.empty()
# -------------------------------
# FUNCIÓN PARA DETECTAR REFERENCIA AL CSV
# -------------------------------
def detectedReferenceToCSV(prompt: str) -> bool:
palabras_clave = ["csv", "archivo", "contenido cargado", "file", "dataset"]
prompt_lower = prompt.lower()
return any(palabra in prompt_lower for palabra in palabras_clave)
# ===========================
# Función para interactuar con el bot
# ===========================
def seleccionar_modelo_llm():
modelos_disponibles = {
"Alibaba Cloud - Qwen QWQ 32B": "qwen-qwq-32b",
"Alibaba Cloud - Qwen3 32B": "qwen/qwen3-32b",
"DeepSeek - LLaMA 70B Distill": "deepseek-r1-distill-llama-70b",
"Google - Gemma2 9B IT": "gemma2-9b-it",
"Meta - LLaMA 3.1 8B Instant": "llama-3.1-8b-instant",
"Meta - LLaMA 3.3 70B Versatile": "llama-3.3-70b-versatile",
"Meta - LLaMA 3 70B": "llama3-70b-8192",
"Meta - LLaMA 3 8B": "llama3-8b-8192",
"Meta - LLaMA 4 Maverick 17B": "meta-llama/llama-4-maverick-17b-128e-instruct",
"Meta - LLaMA 4 Scout 17B": "meta-llama/llama-4-scout-17b-16e-instruct",
"Meta - LLaMA Guard 4 12B": "meta-llama/llama-guard-4-12b",
"Meta - Prompt Guard 2 22M": "meta-llama/llama-prompt-guard-2-22m",
"Meta - Prompt Guard 2 86M": "meta-llama/llama-prompt-guard-2-86m",
"Mistral - Saba 24B": "mistral-saba-24b"
}
seleccion = st.selectbox(
"🧠 Elige un modelo LLM de Groq:",
list(modelos_disponibles.keys())
)
return modelos_disponibles[seleccion]
def chatBotProtech(client):
with st.sidebar.expander("📁 Chatbot"):
modelo_llm = seleccionar_modelo_llm()
# Inicializar estados
if "chat_history" not in st.session_state:
st.session_state.chat_history = []
if "audio_data" not in st.session_state:
st.session_state.audio_data = None
if "transcripcion" not in st.session_state:
st.session_state.transcripcion = ""
if "mostrar_grabador" not in st.session_state:
st.session_state.mostrar_grabador = True
# Contenedor para mensajes
messages = st.container(height=400)
# CSS: estilo tipo Messenger
st.markdown("""
<style>
.chat-message {
display: flex;
align-items: flex-start;
margin: 10px 0;
}
.chat-message.user {
justify-content: flex-end;
}
.chat-message.assistant {
justify-content: flex-start;
}
.chat-icon {
width: 30px;
height: 30px;
border-radius: 50%;
background-color: #ccc;
display: flex;
align-items: center;
justify-content: center;
font-size: 18px;
margin: 0 5px;
}
.chat-bubble {
max-width: 70%;
padding: 10px 15px;
border-radius: 15px;
font-size: 14px;
line-height: 1.5;
word-wrap: break-word;
}
.chat-bubble.user {
background-color: #DCF8C6;
color: black;
border-top-right-radius: 0;
}
.chat-bubble.assistant {
background-color: #F1F0F0;
color: black;
border-top-left-radius: 0;
}
</style>
""", unsafe_allow_html=True)
# Mostrar historial de mensajes
with messages:
st.header("🤖 ChatBot Protech")
for message in st.session_state.chat_history:
role = message["role"]
content = html.escape(message["content"]) # Escapar contenido HTML
bubble_class = "user" if role == "user" else "assistant"
icon = "👤" if role == "user" else "🤖"
# Mostrar el mensaje en una sola burbuja con ícono en el mismo bloque
st.markdown(f"""
<div class="chat-message {bubble_class}">
<div class="chat-icon">{icon}</div>
<div class="chat-bubble {bubble_class}">{content}</div>
</div>
""", unsafe_allow_html=True)
# --- Manejar transcripción como mensaje automático ---
if st.session_state.transcripcion:
prompt = st.session_state.transcripcion
st.session_state.transcripcion = ""
st.session_state.chat_history.append({"role": "user", "content": prompt})
with messages:
st.markdown(f"""
<div class="chat-message user">
<div class="chat-bubble user">{html.escape(prompt)}</div>
<div class="chat-icon">👤</div>
</div>
""", unsafe_allow_html=True)
with messages:
with st.spinner("Pensando..."):
completion = callModelLLM(client, prompt, modelo_llm)
response = ""
response_placeholder = st.empty()
for chunk in completion:
content = chunk.choices[0].delta.content or ""
response += content
response_placeholder.markdown(f"""
<div class="chat-message assistant">
<div class="chat-icon">🤖</div>
<div class="chat-bubble assistant">{response}</div>
</div>
""", unsafe_allow_html=True)
st.session_state.chat_history.append({"role": "assistant", "content": response})
# Captura del input tipo chat
if prompt := st.chat_input("Escribe algo..."):
st.session_state.chat_history.append({"role": "user", "content": prompt})
# Mostrar mensaje del usuario escapado
with messages:
st.markdown(f"""
<div class="chat-message user">
<div class="chat-bubble user">{prompt}</div>
<div class="chat-icon">👤</div>
</div>
""", unsafe_allow_html=True)
# Mostrar respuesta del asistente
with messages:
with st.spinner("Pensando..."):
completion = callModelLLM(client, prompt, modelo_llm)
response = ""
response_placeholder = st.empty()
for chunk in completion:
content = chunk.choices[0].delta.content or ""
response += content
response_placeholder.markdown(f"""
<div class="chat-message assistant">
<div class="chat-icon">🤖</div>
<div class="chat-bubble assistant">{response}</div>
</div>
""", unsafe_allow_html=True)
st.session_state.chat_history.append({"role": "assistant", "content": response})
# Grabación de audio (solo si está habilitada)
if st.session_state.mostrar_grabador and st.session_state.audio_data is None:
audio_data = st.audio_input("Graba tu voz aquí 🎤")
if audio_data:
st.session_state.audio_data = audio_data
st.session_state.mostrar_grabador = False # Ocultar input después de grabar
st.rerun() # Forzar recarga para ocultar input y evitar que reaparezca el audio cargado
# Mostrar controles solo si hay audio cargado
if st.session_state.audio_data:
st.audio(st.session_state.audio_data, format="audio/wav")
col1, col2 = st.columns(2)
with col1:
if st.button("✅ Aceptar grabación"):
with st.spinner("Convirtiendo y transcribiendo..."):
m4a_path = converter_bytes_m4a(st.session_state.audio_data)
with open(m4a_path, "rb") as f:
texto = callWhisper(client, m4a_path, f)
os.remove(m4a_path)
st.session_state.transcripcion = texto
st.session_state.audio_data = None
st.session_state.mostrar_grabador = True
st.rerun()
with col2:
if st.button("❌ Descartar grabación"):
st.session_state.audio_data = None
st.session_state.transcripcion = ""
st.session_state.mostrar_grabador = True
st.rerun()
def callModelLLM(client, prompt, idModel):
completion = client.chat.completions.create(
model=idModel,
messages=[
{
"role": "system",
"content": (
"Tu nombre es Protech, el asistente virtual de PRO TECHNOLOGY SOLUTIONS S.A.C. "
"Saluda al usuario con cordialidad y responde en español de forma clara, profesional y amable. "
"Debes responder como un asistente humano capacitado en atención al cliente. "
"Comienza con un saludo y pregunta: '¿En qué puedo ayudarte hoy?'."
)
},
{"role": "user", "content": prompt}
],
temperature=0.6,
max_tokens=4096,
top_p=1,
stream=True,
)
return completion
def callWhisper(client, filename_audio,file):
transcription = client.audio.transcriptions.create(
file=(filename_audio, file.read()),
model="whisper-large-v3",
response_format="verbose_json",
)
return transcription.text
def converter_bytes_m4a(audio_bytes: BytesIO) -> str:
"""
Convierte un audio en bytes (WAV, etc.) a un archivo M4A temporal.
Retorna la ruta del archivo .m4a temporal.
"""
# Asegurarse de que el cursor del stream esté al inicio
audio_bytes.seek(0)
# Leer el audio desde BytesIO usando pydub
audio = AudioSegment.from_file(audio_bytes)
# Crear archivo temporal para guardar como .m4a
temp_file = tempfile.NamedTemporaryFile(delete=False, suffix=".m4a")
m4a_path = temp_file.name
temp_file.close() # Cerramos para que pydub pueda escribirlo
# Exportar a M4A usando formato compatible con ffmpeg
audio.export(m4a_path, format="ipod") # 'ipod' genera .m4a
return m4a_path
# ===========================
# Función para obtener el número de periodos basado en el filtro
# ===========================
def obtener_periodos(filtro):
opciones_periodos = {
'5 años': 60,
'3 años': 36,
'1 año': 12,
'5 meses': 5
}
return opciones_periodos.get(filtro, 12)
# ===========================
# Función para generar predicciones
# ===========================
def generar_predicciones(modelo, df, periodos):
ventas = df['Sale']
predicciones = modelo.forecast(steps=periodos)
return predicciones
# Función para mejorar el diseño de las gráficas
def mejorar_diseno_grafica(fig, meses_relevantes, nombres_meses_relevantes):
fig.update_layout(
title={
'text': "Ventas vs Mes",
'x': 0.5, # Centrado horizontal
'xanchor': 'center', # Asegura el anclaje central
'yanchor': 'top' # Anclaje superior (opcional)
},
title_font=dict(size=18, family="Arial, sans-serif", color='black'),
xaxis=dict(
title='Mes-Año',
title_font=dict(size=14, family="Arial, sans-serif", color='black'),
tickangle=-45, # Rotar las etiquetas
showgrid=True,
gridwidth=0.5,
gridcolor='lightgrey',
showline=True,
linecolor='black',
linewidth=2,
tickmode='array', # Controla qué etiquetas mostrar
tickvals=meses_relevantes, # Selecciona solo los meses relevantes
ticktext=nombres_meses_relevantes, # Meses seleccionados
tickfont=dict(size=10), # Reducir el tamaño de la fuente de las etiquetas
),
yaxis=dict(
title='Ventas',
title_font=dict(size=14, family="Arial, sans-serif", color='black'),
showgrid=True,
gridwidth=0.5,
gridcolor='lightgrey',
showline=True,
linecolor='black',
linewidth=2
),
plot_bgcolor='white', # Fondo blanco
paper_bgcolor='white', # Fondo del lienzo de la gráfica
font=dict(family="Arial, sans-serif", size=12, color="black"),
showlegend=False, # Desactivar la leyenda si no es necesaria
margin=dict(l=50, r=50, t=50, b=50) # Márgenes ajustados
)
return fig
# ===========================
# Función para cerrar sesión
# ===========================
def cerrar_sesion():
st.session_state.logged_in = False
st.session_state.usuario = None
st.session_state.pagina_actual = "login"
st.session_state.archivo_subido = False # Limpiar el archivo subido al cerrar sesión
st.session_state.df_subido = None # Limpiar datos del archivo
# Eliminar parámetros de la URL usando st.query_params
st.query_params.clear() # Método correcto para limpiar parámetros de consulta
# Redirigir a la página de login
st.rerun()
|