app.py

import gradio as gr
import joblib
import pandas as pd
import numpy as np
from tensorflow.keras.models import load_model
from sklearn.preprocessing import StandardScaler

# Cargar el modelo
#modelo = load_model('mi_modelo_red_neuronal.h5')
modelo = joblib.load('mi_modelo_Adaboost_V3.pkl')

def transformacion (dataframe_1):
  dataframe_1.replace({'estado_terminal':{'Activo':1,'Bloqueado':0}}, inplace=True)

  #Se seleccionan todas las filas de las columnas 2,3 y 6, y todas que van de la 14 a la 37
  dataframe_1 = dataframe_1.iloc[:, [2,4,6] + list(range(14, 37))]
  
  dataframe_1['tecnologiapp_a'] = 0
  dataframe_1.loc[dataframe_1['tecnologiapp'] == 'a', 'tecnologiapp_a'] = 1
  dataframe_1['tecnologiapp_b'] = 0
  dataframe_1.loc[dataframe_1['tecnologiapp'] == 'b', 'tecnologiapp_b'] = 1
  dataframe_1['tecnologiapp_c'] = 0
  dataframe_1.loc[dataframe_1['tecnologiapp'] == 'c', 'tecnologiapp_c'] = 1
  dataframe_1['tecnologiapp_d'] = 0
  dataframe_1.loc[dataframe_1['tecnologiapp'] == 'd', 'tecnologiapp_d'] = 1
  dataframe_1['tecnologiaaf_a'] = 0
  dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'a', 'tecnologiaaf_a'] = 1
  dataframe_1['tecnologiaaf_b'] = 0
  dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'b', 'tecnologiaaf_b'] = 1
  dataframe_1['tecnologiaaf_c'] = 0
  dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'c', 'tecnologiaaf_c'] = 1
  dataframe_1['tecnologiaaf_d'] = 0
  dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'd', 'tecnologiaaf_d'] = 1
  dataframe_1['tecnologiaaf_e'] = 0
  dataframe_1.loc[dataframe_1['tecnologiaaf'] == 'e', 'tecnologiaaf_e'] = 1

  #Se crea DataFRame
  data_sel_num = pd.DataFrame()

  #Se transforma la data
  data_sel_num['log_trx_dia_cero'] = np.log1p(dataframe_1['trx_dia_cero'])
  data_sel_num['log_trx_dia_uno'] = np.log1p(dataframe_1['trx_dia_uno'])
  data_sel_num['log_trx_dia_dos'] = np.log1p(dataframe_1['trx_dia_dos'])
  data_sel_num['log_trx_dia_tres'] = np.log1p(dataframe_1['trx_dia_tres'])
  data_sel_num['log_trx_dia_cuatro'] = np.log1p(dataframe_1['trx_dia_cuatro'])
  data_sel_num['log_trx_dia_cinco'] = np.log1p(dataframe_1['trx_dia_cinco'])
  data_sel_num['log_trx_dia_seis'] = np.log1p(dataframe_1['trx_dia_seis'])

  data_sel_num['log_trx_mes_tres'] = np.log1p(dataframe_1['trx_mes_tres'])
  data_sel_num['log_trx_mes_dos'] = np.log1p(dataframe_1['trx_mes_dos'])
  data_sel_num['log_trx_mes_uno'] = np.log1p(dataframe_1['trx_mes_uno'])
  
  data_sel_num['log_total_terminales'] = np.log1p(dataframe_1['total_terminales'])
  
  data_sel_num['sqrt_cantidad_falla_m3'] = np.power(dataframe_1['cantidad_falla_m3'], 0.1)
  data_sel_num['sqrt_cantidad_falla_m2'] = np.power(dataframe_1['cantidad_falla_m3'], 0.1)
  data_sel_num['sqrt_cantidad_falla_mes1'] = np.power(dataframe_1['cantidad_falla_mes1'], 0.1)
  
  data_sel_num['log_antiguedad_creacion_terminal'] = np.log1p(dataframe_1['antiguedad_creacion_terminal'])
  data_sel_num['log_antiguedad_version'] = np.log1p(dataframe_1['antiguedad_version'])
  data_sel_num['log_antiguedad_compra_pos'] = np.log1p(dataframe_1['antiguedad_compra_pos'])

  #Se normalizan los datos
  scaler = StandardScaler()
  X_train_scaled = scaler.fit_transform(data_sel_num)

  #Se convierte en DataFrame
  X_train_scaled_df = pd.DataFrame(X_train_scaled, columns=data_sel_num.columns)

  #Agregar campos estado terminal
  X_train_scaled_df['estado_terminal'] = dataframe_1['estado_terminal']
  X_train_scaled_df['tecnologiapp_a'] = dataframe_1['tecnologiapp_a']
  X_train_scaled_df['tecnologiapp_b'] = dataframe_1['tecnologiapp_b']
  X_train_scaled_df['tecnologiapp_c'] = dataframe_1['tecnologiapp_c']
  X_train_scaled_df['tecnologiapp_d'] = dataframe_1['tecnologiapp_d']
  X_train_scaled_df['tecnologiaaf_a'] = dataframe_1['tecnologiaaf_a']
  X_train_scaled_df['tecnologiaaf_b'] = dataframe_1['tecnologiaaf_b']
  X_train_scaled_df['tecnologiaaf_c'] = dataframe_1['tecnologiaaf_c']
  X_train_scaled_df['tecnologiaaf_d'] = dataframe_1['tecnologiaaf_d']
  X_train_scaled_df['tecnologiaaf_e'] = dataframe_1['tecnologiaaf_e']

  return X_train_scaled_df

# Definir una función para hacer predicciones desde un DataFrame
def predecir_estado(csv_file):
    # Leer el archivo CSV
    df = pd.read_csv(csv_file, sep =";" ,encoding="latin-1")

    #Transformar los datos para el modelo
    X_train_scaled_df = transformacion(df)

    # Realizar las predicciones
    predicciones = modelo.predict(X_train_scaled_df.values)
    resultados_red =pd.DataFrame(predicciones, columns=['predictions'])
    resultados_red=(resultados_red>0.5).astype(int)

    # Crear un DataFrame para mostrar las predicciones
    resultados = pd.DataFrame()
    resultados['Id terminal'] = df['terminal']
    resultados['Estado_Predicho'] = resultados_red
    resultados['trx_dia_cero'] = df['trx_dia_cero']
    resultados['trx_dia_uno'] = df['trx_dia_uno']
    resultados['trx_dia_dos'] = df['trx_dia_dos']
    resultados['trx_dia_tres'] = df['trx_dia_tres']
    resultados['trx_dia_cuatro'] = df['trx_dia_cuatro']
    resultados['trx_dia_cinco'] = df['trx_dia_cinco']
    resultados['trx_dia_seis'] = df['trx_dia_seis']
    resultados['trx_mes_tres'] = df['trx_mes_tres']
    resultados['trx_mes_dos'] = df['trx_mes_dos']
    resultados['trx_mes_uno'] = df['trx_mes_uno']
    resultados['total_terminales'] = df['total_terminales']
    resultados['cantidad_falla_m3'] = df['cantidad_falla_m3']
    resultados['cantidad_falla_m2'] = df['cantidad_falla_m2']
    resultados['cantidad_falla_mes1'] = df['cantidad_falla_mes1']
    resultados['antiguedad_creacion_terminal'] = df['antiguedad_creacion_terminal']
    resultados['antiguedad_version'] = df['antiguedad_version']
    resultados['antiguedad_compra_pos'] = df['antiguedad_compra_pos']
    resultados['tecnologiapp'] = df['tecnologiapp']
    resultados['tecnologiaaf'] = df['tecnologiaaf']

    return resultados

# Crear la interfaz de Gradio para cargar archivos CSV
entrada = gr.File(label="Subir archivo CSV")
salida = gr.Dataframe(label="Estados de las terminales")

gr.Interface(fn=predecir_estado, inputs=entrada, outputs=salida, title="Clasificación del Estado de Terminales").launch()