Create app.py

app.py

@@ -0,0 +1,173 @@
+import tweepy as tw
+import streamlit as st
+import pandas as pd
+import torch
+import numpy as np
+import re
+
+from pysentimiento.preprocessing import preprocess_tweet
+
+from torch.utils.data import TensorDataset, DataLoader, RandomSampler, SequentialSampler
+from transformers import AutoTokenizer, AutoModelForSequenceClassification,AdamW
+tokenizer = AutoTokenizer.from_pretrained('hackathon-pln-es/twitter_sexismo-finetuned-robertuito-exist2021')
+model = AutoModelForSequenceClassification.from_pretrained("hackathon-pln-es/twitter_sexismo-finetuned-robertuito-exist2021")
+
+import torch
+if torch.cuda.is_available():  
+    device = torch.device("cuda")
+    print('I will use the GPU:', torch.cuda.get_device_name(0))
+    
+else:
+    print('No GPU available, using the CPU instead.')
+    device = torch.device("cpu")
+
+consumer_key = st.secrets["consumer_key"]
+consumer_secret = st.secrets["consumer_secret"]
+access_token = st.secrets["access_token"]
+access_token_secret = st.secrets["access_token_secret"]
+auth = tw.OAuthHandler(consumer_key, consumer_secret)
+auth.set_access_token(access_token, access_token_secret)
+api = tw.API(auth, wait_on_rate_limit=True)
+
+def preprocess(text):
+    text=text.lower()
+    # remove hyperlinks
+    text = re.sub(r'https?:\/\/.*[\r\n]*', '', text)
+    text = re.sub(r'http?:\/\/.*[\r\n]*', '', text)
+    #Replace &amp, &lt, &gt with &,<,> respectively
+    text=text.replace(r'&amp;?',r'and')
+    text=text.replace(r'&lt;',r'<')
+    text=text.replace(r'&gt;',r'>')
+    #remove hashtag sign
+    #text=re.sub(r"#","",text)   
+    #remove mentions
+    text = re.sub(r"(?:\@)\w+", '', text)
+    #text=re.sub(r"@","",text)
+    #remove non ascii chars
+    text=text.encode("ascii",errors="ignore").decode()
+    #remove some puncts (except . ! ?)
+    text=re.sub(r'[:"#$%&\*+,-/:;<=>@\\^_`{|}~]+','',text)
+    text=re.sub(r'[!]+','!',text)
+    text=re.sub(r'[?]+','?',text)
+    text=re.sub(r'[.]+','.',text)
+    text=re.sub(r"'","",text)
+    text=re.sub(r"\(","",text)
+    text=re.sub(r"\)","",text)
+    text=" ".join(text.split())
+    return text
+    
+def highlight_survived(s):
+    return ['background-color: red']*len(s) if (s.Sexista == 1) else ['background-color: green']*len(s)
+
+def color_survived(val):
+    color = 'red' if val=='Sexista' else 'white'
+    return f'background-color: {color}'                
+
+st.set_page_config(layout="wide")
+st.markdown('<style>body{background-color: Blue;}</style>',unsafe_allow_html=True)
+
+#background-color: Blue;
+
+colT1,colT2 = st.columns([2,8])
+with colT2:
+    #st.title('Analisis de comentarios sexistas en Twitter') 
+    st.markdown(""" <style> .font {
+    font-size:40px ; font-family: 'Cooper Black'; color: #FF9633;} 
+    </style> """, unsafe_allow_html=True)
+    st.markdown('<p class="font">Análisis de comentarios sexistas en Twitter</p>', unsafe_allow_html=True)
+    
+    st.markdown(""" <style> .font1 {
+    font-size:28px ; font-family: 'Times New Roman'; color: #8d33ff;} 
+    </style> """, unsafe_allow_html=True)
+    st.markdown('<p class="font1">Objetivo 5 de los ODS. Lograr la igualdad entre los géneros y empoderar a todas las mujeres y las niñas</p>', unsafe_allow_html=True)
+    #st.header('Objetivo 5 de los ODS, Lograr la igualdad entre los géneros y empoderar a todas las mujeres y las niñas')
+with colT1:
+    st.image("https://upload.wikimedia.org/wikipedia/commons/thumb/c/c7/Sustainable_Development_Goal-es-13.jpg/1200px-Sustainable_Development_Goal-es-13.jpg",width=200)
+
+st.markdown(""" <style> .font2 {
+    font-size:16px ; font-family: 'Times New Roman'; color: #3358ff;} 
+    </style> """, unsafe_allow_html=True)
+st.markdown('<p class="font2">Esta app utiliza tweepy para descargar tweets de twitter en base a la información de entrada y procesa los tweets usando transformers de HuggingFace para detectar comentarios sexistas. El resultado y los tweets correspondientes se almacenan en un dataframe para mostrarlo que es lo que se ve como resultado.La finalidad del proyecto es, en línea con el Objetivo 5 de los ODS, eliminar todas las formas de violencia contra todas las mujeres y las niñas en los ámbitos público y privado, incluidas la trata y la explotación sexual y otros tipos de explotación. Los comentarios sexistas son una forma de violencia contra la mujer. Está aplicación puede ayudar a hacer un estudio sistemático de la misma.</p>',unsafe_allow_html=True)
+
+
+def run():
+    with st.form(key='Introduzca Texto'):
+        col,buff1, buff2 = st.columns([2,2,1])
+        #col.text_input('smaller text window:')
+        search_words = col.text_input("Introduzca el termino o usuario para analizar y pulse el check correspondiente")
+        number_of_tweets = col.number_input('Introduzca número de twweets a analizar. Máximo 50', 0,50,10)
+        termino=st.checkbox('Término')
+        usuario=st.checkbox('Usuario')
+        submit_button = col.form_submit_button(label='Analizar')
+        error=False
+        if submit_button:
+            date_since = "2020-09-14"
+            if ( termino == False and usuario == False):
+                st.text('Error no se ha seleccionado ningun check')
+                error=True
+            elif ( termino == True and usuario == True):
+                st.text('Error se han seleccionado los dos check')
+                error=True
+            
+           
+            if (error == False):
+                if (termino):
+                    new_search = search_words + " -filter:retweets"
+                    tweets =tw.Cursor(api.search_tweets,q=new_search,lang="es",since=date_since).items(number_of_tweets)
+                elif (usuario):
+                    tweets = api.user_timeline(screen_name = search_words,count=number_of_tweets)
+                
+                tweet_list = [i.text for i in tweets]
+                #tweet_list = [strip_undesired_chars(i.text) for i in tweets]
+                text= pd.DataFrame(tweet_list)
+                #text[0] = text[0].apply(preprocess)
+                text[0] = text[0].apply(preprocess_tweet)
+                text1=text[0].values
+                indices1=tokenizer.batch_encode_plus(text1.tolist(),
+                                         max_length=128,
+                                         add_special_tokens=True, 
+                                         return_attention_mask=True,
+                                         pad_to_max_length=True,
+                                         truncation=True)
+                input_ids1=indices1["input_ids"]
+                attention_masks1=indices1["attention_mask"]
+                prediction_inputs1= torch.tensor(input_ids1)
+                prediction_masks1 = torch.tensor(attention_masks1)
+                # Set the batch size.  
+                batch_size = 25
+                # Create the DataLoader.
+                prediction_data1 = TensorDataset(prediction_inputs1, prediction_masks1)
+                prediction_sampler1 = SequentialSampler(prediction_data1)
+                prediction_dataloader1 = DataLoader(prediction_data1, sampler=prediction_sampler1, batch_size=batch_size)
+                print('Predicting labels for {:,} test sentences...'.format(len(prediction_inputs1)))
+                # Put model in evaluation mode
+                model.eval()
+                # Tracking variables 
+                predictions = []
+                # Predict 
+                for batch in prediction_dataloader1:
+                    batch = tuple(t.to(device) for t in batch)
+                    # Unpack the inputs from our dataloader
+                    b_input_ids1, b_input_mask1 = batch
+                    # Telling the model not to compute or store gradients, saving memory and   # speeding up prediction
+                    with torch.no_grad():
+                        # Forward pass, calculate logit predictions
+                        outputs1 = model(b_input_ids1, token_type_ids=None,attention_mask=b_input_mask1)
+                    logits1 = outputs1[0]
+                    # Move logits and labels to CPU
+                    logits1 = logits1.detach().cpu().numpy()
+                    # Store predictions and true labels
+                    predictions.append(logits1)
+                flat_predictions = [item for sublist in predictions for item in sublist]
+                flat_predictions = np.argmax(flat_predictions, axis=1).flatten()#p = [i for i in classifier(tweet_list)]
+                df = pd.DataFrame(list(zip(tweet_list, flat_predictions)),columns =['Últimos '+ str(number_of_tweets)+' Tweets'+' de '+search_words, 'Sexista'])
+                df['Sexista']= np.where(df['Sexista']== 0, 'No Sexista', 'Sexista')
+                
+                
+                st.table(df.reset_index(drop=True).head(20).style.applymap(color_survived, subset=['Sexista']))
+
+                
+                #st.dataframe(df.style.apply(highlight_survived, axis=1))
+                #st.table(df)
+            #st.write(df)
+run()