Update app.py

app.py

@@ -0,0 +1,47 @@
+import subprocess
+import sys
+
+# Instalar las librerías necesarias
+subprocess.check_call([sys.executable, "-m", "pip", "install", "torchmetrics", "scikit-learn"])
+
+import numpy as np
+import torch
+import torch.nn as nn  # Para construir redes neuronales
+from torch.autograd import Variable
+from sklearn.preprocessing import MinMaxScaler  # Escala y traduce características individuales en un rango dado 0 / 1
+
+import pandas as pd
+import matplotlib.pyplot as plt
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import r2_score, mean_absolute_percentage_error, mean_squared_error
+
+import torch
+import torch.optim as optim
+import torchmetrics
+
+# Descargar los datos del repositorio de Hugging Face
+!wget https://huggingface.co/nombre-del-repositorio/resolve/main/PARCIAL-AGUA-_2_.csv
+!wget https://huggingface.co/nombre-del-repositorio/resolve/main/PARCIAL-AGUA-_3_.csv
+
+# Cargar los datos
+data1 = pd.read_csv('PARCIAL-AGUA-_2_.csv')
+data2 = pd.read_csv('PARCIAL-AGUA-_3_.csv')
+
+# Convertir la columna 'FECHA' a objetos datetime y filtrar por años
+data1['FECHA'] = pd.to_datetime(data1['FECHA'])
+data2['FECHA'] = pd.to_datetime(data2['FECHA'])
+
+filtered_data1 = data1[data1['FECHA'].dt.year >= 2007]
+filtered_data2 = data2[data2['FECHA'].dt.year >= 2007]
+
+# Combinar los valores de ambos conjuntos de datos
+combined_values = np.concatenate([filtered_data1['VALOR-LS-CF-N'].values, filtered_data2['VALOR-LS-CF-N'].values]).reshape(-1, 1)
+
+# Seleccionar la variable objetivo y escalar los valores
+scaler = MinMaxScaler()
+scaled_values = scaler.fit_transform(combined_values)
+
+# Dividir los datos escalados en los conjuntos de datos originales
+scaled_values1 = scaled_values[:len(filtered_data1)]
+scaled_values2 = scaled_values[len(filtered_data1):]