Upload 10 files

app.py

@@ -0,0 +1,654 @@
+from pyChatGPT import ChatGPT 
+import streamlit as st
+import string
+from sklearn.feature_extraction.text import CountVectorizer
+from nltk.corpus import stopwords
+from sklearn.metrics.pairwise import cosine_similarity
+import pandas as pd
+import numpy as np
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+from scipy.special import softmax
+import stylecloud
+from stop_words import get_stop_words
+from PIL import Image
+from pysentimiento import create_analyzer
+import altair as alt
+from sentence_transformers import SentenceTransformer
+
+#LIMPIAR FRASES
+def clean_string(text):
+    if text == "nan":
+        return ""
+    text = ''.join([word for word in text if word not in string.punctuation])
+    text = text.lower()
+    return text
+
+#CARGAR MODELO
+roberta = f"cardiffnlp/twitter-xlm-roberta-base-sentiment"
+model = AutoModelForSequenceClassification.from_pretrained(roberta)
+tokenizer = AutoTokenizer.from_pretrained(roberta)
+modelS = SentenceTransformer('hiiamsid/sentence_similarity_spanish_es')
+
+
+#LEER Y CLASIFICAR LAS RESPUESTAS
+data = pd.read_csv(r'data.csv')
+
+person1_objetives, person1_difficulties, person1_utilities, person2_objetives, person2_difficulties, person2_utilities = [], [], [], [], [], []
+person1_all_text, person2_all_text = [], []
+for index, row in data.iterrows():
+    if row["DNI"] == "72838728M":
+        person1_objetives.append(str((row["objeto_si"])))
+        person1_difficulties.append(str((row["objeto_no"])) + " " + str((row["que_necesito"])))
+        person1_utilities.append(str((row["para_que"])) + " " + str((row["como_uso"])))
+        person1_all_text.append(clean_string(str((row["objeto_si"]))) + ". " + clean_string(str((row["objeto_no"]))) + ". " + clean_string(str((row["que_necesito"]))) + ". " + clean_string(str((row["para_que"]))) + ". " + clean_string(str((row["como_uso"]))))
+    elif row["DNI"] == "73233278J":
+        person2_objetives.append(str((row["objeto_si"])))
+        person2_difficulties.append(str((row["objeto_no"])) + " " + str((row["que_necesito"])))
+        person2_utilities.append(str((row["para_que"])) + " " + str((row["como_uso"])))
+        person2_all_text.append(str((row["objeto_si"])) + ". " + str((row["objeto_no"])) + ". " + str((row["que_necesito"])) + ". " + str((row["para_que"])) + ". " + str((row["como_uso"])))
+
+
+#WORDCLOUDS
+person1_wordcloud = " ".join(person1_objetives)
+person2_wordcloud = " ".join(person2_objetives)
+irrelevant_words = get_stop_words("spanish")
+custom_irrelevant_words = irrelevant_words[:]
+custom_irrelevant_words.extend(["hacer","realizar","aprender","aprendido"])
+
+stylecloud.gen_stylecloud(text=person1_wordcloud, custom_stopwords=custom_irrelevant_words, icon_name="fas fa-circle", output_name="person1.png")
+person1 = Image.open("person1.png")
+stylecloud.gen_stylecloud(text=person2_wordcloud, custom_stopwords=custom_irrelevant_words, icon_name="fas fa-circle", output_name="person2.png")
+person2 = Image.open("person2.png")
+
+
+#LEER OBJETIVOS COMPETENCIAS Y AUTONOMIA
+f1 = open('daw_obj.txt','r', encoding="utf8")
+objetivos1 = f1.read()
+f2 = open('mark_obj.txt','r', encoding="utf8")
+objetivos2 = f2.read()
+f3 = open('autonomia.txt','r', encoding="utf8")
+autonomia = f3.read()
+f4 = open('participacion.txt','r', encoding="utf8")
+participacion = f4.read()
+f5 = open('compromiso.txt','r', encoding="utf8")
+compromiso = f5.read()
+
+#LLAMADA AL CHATGPT
+# session_token = "eyJhbGciOiJkaXIiLCJlbmMiOiJBMjU2R0NNIn0..1K4xDB69QDCvq957.8XFvLu5dFg23jOdjkDyT-B_LE826oFzkcnRUJmx-poHDheX45HTf0m3cKKSgRp2B6QXxMR01ELGOHb0ZdeS5TGXC_8qyl9xTX1MvvFIkxLDVEc884xroPBFJdne2d-xoQrriAkDWZQFhE87tJSLlID-BZBKgUS_leaCbxJL87_KTxBKU4F_DNI-P_RMUL8ErLNZEFVs_CISJMMQLSpPA1GDAtecSPll55_FGuoNI3iYEYT-Rro3pFBOXdJhiEgmoKvWfVoItdN8NemVtXxXHFGl3XlZUgh5F7b6LT6id2MO5y5uZv_04lkw6mSl-Bh7ziBmXw2qtQY9vGX5s2p4SKI4CduaEMZtLslZlPM0p23fnGoIt2BYC7ijSw2nwqOLnl_axGJK0Sw1Jpmy5moNRs8yQcusQ2qMPl8g3r9WIosfuaoIz8qRiiP2nSzYUwfGI3-fRzsnXC3XtN-sfeywH3TFIMWo9MvKa0mU3SWfQZ8H2PZvXAUZ7-_j8Eopz6fYxpwAImJD1gIrG2JGTKyU4Mffh8_IBAo7yt9W8T6NLdXyCT9t5536i751Ga9CW6ahTBb7f3RWPwcsNnIB7VMwxwy996uwBquHiGWua-gepZw2PsO7yEQB3xZKCdafur-MegcxcWep_qbpmGo6-8AEGKLgLKD8Ed6MS4rnrcPLKfcHAvboO7SNmBuB4-lBUltaWTPDEfiXK25OXbwpQ7qychURy9OLd4fPuYtP3gwGOVi6k1Mni2rI4oa_XAhlJTvH6MMaYZxQHVXSTNOcgLXx9cz1JTqnkmk4mRHnvlj8uoyVszXQi2EFq1ozz4bxFCiir4wYzBdCwC2bp5S--i7E89xL3RQ8DvCMKO3q3Ro3nPU8hD4QItoCHgHaxpexrtiq_4feHmVl9A4cAFEkTGyjC4ZuNT0Ety0fsM0JtytFNiTnBHGqB7ZNOSLMyjNqEs7IpnBxRlzCB5afLDG5cP3ipOIMILSVyEv2je8yWSEx2E5ogSL-inO2p-EcThnT5KxySZMmCDT25qQmLI0Gk8afm8M--c1PUd3Z2ZXx50ouqvftZyEjlTocQfoAITVIUc6cCXhEuCsIL4RuyVvz5Ps73WuM0K9MmESn8iQRddz_03MxyHHsDdGoiT97TaGz-ivOjoO2eRdzOwU5k0JbJH5xZOWSvpVg2wnYWKLv2_gOjEMrTYxx_4kSBxpeYKyiIhFKug6nuRUmRwfCksPiWjNEVLjPo_x0_K_thH0jii76WQcq-224VibB3hAMTMxdr7aLVwqPJNVHOVI0Log4vJcledthlzilRGiw4kNBOYqo95DyYjXZJ5haKnUdsQrb9pwCBmXeK0PFxssZ904Wwpd22tH9w5ZvJZCz5p39tniakd9UeOHaPQmY3N26jzXfV4h1w3lkdzjrBEEMwxuUFjaaolQE6GKpswRiDdHZm4mbGOHkQYeMYebEVhy17r9drLvTc4QrlwNuP8HA4vfgQTUvqo64QM6RvIvqHftawkVazxNYUEhTmWsuUemZXI-GHLTbDrfD9BafGI9yk3hp8bG2u8R9ZvPZAA4R1wkBCQiY1BumfaGN49ETuQRJF0HTf4mRVJ9b6BSbgEO7tzAN2adQ0T22ePh2FkUqmOmDHHp_QwPFja5NCfLebcLyBLqxDkdcLANfpS0g-BkraV0ZpuU4_SZrb3Qu1Et8tnF5coVJwZWm6A-1PHhClHpf3KEz5F5MVfkAPCAiSMPqD8UaTCGWbMY7CHUav9IyuX7-uoAOzz9ZyoUQuDC9-OGHQb8x15XzsNWffCRpJwjWMBTRBB_rw5HwXuWBBWk-GWzXZtSHhWRXhouRhoUjKloqhgUfeNmL1gg4lusel5NQF6phwVek1V3oJknO1XezLjyVeio69_OOzkqosSkHs2ZskisqnFfL--LG0m5TO9-o88OYESeZIO4tQuUSN8HYxyqtaWo0iiJHxMDumo8fJypiR5z5L13aGrNA8ZPm2S_tg-Mmz34wqgLihFhgDRMMqu87dYXrF78oz3uKbYmhYsCk-jY519yUgwOfiC3CrfG6LqTcbWCVbmh-yogcstCV-nLfTeosGIZUHNI_H5didKNzh6hzUjoYHUhpiCDFD7mM89lm5EoeEa3S1ZNoAhO-4QXYIA5AajgxtES9SX7hPfP94zh9rm-l__9eJkWg7KOblWBYTq1eT71FxtN9fEIJZQ7pa9h1UEvgJL8aP2EJ3yWY5KFZ6GGcKpFf9x_omFxDxF8AdQ5n9uSKNcK0I8wz43FF8HRbWYWumUV3n7GpEZS7hGgB7ynRkYZ-X6ZtQj9VADJtUojMcAwYM7KdCqO1FBBKOd8McBirXkjzYfS3-LEjeYCdu67ogQYF3toxzR3Xhc_rcfcHnHh601I4opVb9mZBiws_d31146_CqJ-r5NF1PDnm9JfOURLua2ySMDd2B13uzP3L0BFveLR2Dq62BO2grKLEbn97__2HtESrVp-ozDqc9yLHSxhPjmWUAy9xCPDBlQNt8KrA.FxxuIKliXcdC8v7F1lX9sQ"
+# api = ChatGPT(session_token)
+# text = api.send_message(f'objetivos y competencias en un grado superior de desarrolllo de aplicaciones web')
+
+
+#LIMPIAR FRASES
+stopwords = get_stop_words('spanish')
+
+
+
+#SIMILITUD DE COSENOS
+def cosine_sim_vectors(vec1, vec2):
+    vec1 = vec1.reshape(1, -1)
+    vec2 = vec2.reshape(1, -1)
+
+    return cosine_similarity(vec1, vec2)[0][0]
+
+
+#PROBAR CON RESPUESTAS DE PERSONA1
+#objetivos
+person1_objetives.append(objetivos1)
+cleaned2 = list(map(clean_string, person1_objetives))
+embeddings = modelS.encode(cleaned2)
+aut = []
+for idx,answer in enumerate(cleaned2[:-1]):
+    aut.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+similarities1 = []
+for answer in aut:
+    similarities1.append(float(answer[0][0]))
+
+index = [*range(0,len(similarities1),1)]
+
+chart_objetives1 = pd.DataFrame({
+    'x':index,
+    'y':similarities1
+}
+)
+o1 = alt.Chart(chart_objetives1).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#3399ff")
+)
+
+#dificultades
+difficulties1 = []
+cleanedD1 = list(map(clean_string, person1_difficulties))
+for idx,answer in enumerate(cleanedD1):
+    encoded_text1 = tokenizer(answer, return_tensors='pt')
+    output1 = model(**encoded_text1)
+    scores1 = output1[0][0].detach().numpy()
+    scores1 = softmax(scores1)
+    difficulties1.append(scores1)
+
+color_scale = alt.Scale(
+    domain=[
+        "positivo",
+        "neutral",
+        "negativo",
+    ],
+    range=["#33cc33", "#6699ff", "#ff0000"]
+)
+
+y_axis = alt.Axis(
+    title='Semanas',
+    offset=5,
+    ticks=False,
+    minExtent=60,
+    domain=False
+)
+source1 = []
+
+for idx,d in enumerate(difficulties1):
+    start,end = -d[1]/2,d[1]/2
+    source1.append(
+        {
+            "question":idx+1,
+            "type":"neutral",
+            "value":d[1],
+            "start":start,
+            "end":end
+        }
+    )
+    source1.append(
+        {
+            "question":idx+1,
+            "type":"negativo",
+            "value":d[0],
+            "start":start,
+            "end":start-d[0]
+        }
+    )
+    source1.append(
+        {
+            "question":idx+1,
+            "type":"positivo",
+            "value":d[2],
+            "start":end,
+            "end":end+d[2]
+        }
+    )
+    
+
+source1 = alt.pd.DataFrame(source1)
+
+
+d1 = alt.Chart(source1).mark_bar().encode(
+    x=alt.X('start:Q', title=""),
+    x2='end:Q',
+    y=alt.Y('question:N', axis=y_axis),
+    color=alt.Color(
+        'type:N',
+        legend=alt.Legend( title='Sentimiento:'),
+        scale=color_scale,
+    )
+)
+
+#utilidad
+utilities1 = []
+cleanedU1 = list(map(clean_string, person1_utilities))
+for idx,answer in enumerate(cleanedU1):
+    encoded_text1 = tokenizer(answer, return_tensors='pt')
+    output1 = model(**encoded_text1)
+    scores1 = output1[0][0].detach().numpy()
+    scores1 = softmax(scores1)
+    utilities1.append(scores1)
+
+source2 = []
+
+for idx,d in enumerate(utilities1):
+    start,end = -d[1]/2,d[1]/2
+    source2.append(
+        {
+            "question":idx+1,
+            "type":"neutral",
+            "value":d[1],
+            "start":start,
+            "end":end
+        }
+    )
+    source2.append(
+        {
+            "question":idx+1,
+            "type":"negativo",
+            "value":d[0],
+            "start":start,
+            "end":start-d[0]
+        }
+    )
+    source2.append(
+        {
+            "question":idx+1,
+            "type":"positivo",
+            "value":d[2],
+            "start":end,
+            "end":end+d[2]
+        }
+    )
+    
+
+source2 = alt.pd.DataFrame(source2)
+
+
+u1 = alt.Chart(source2).mark_bar().encode(
+    x=alt.X('start:Q', title=""),
+    x2='end:Q',
+    y=alt.Y('question:N', axis=y_axis),
+    color=alt.Color(
+        'type:N',
+        legend=alt.Legend( title='Sentimiento:'),
+        scale=color_scale,
+    )
+)
+
+#emocion
+emotion_analyzer = create_analyzer(task="emotion", lang="es")
+emotions = emotion_analyzer.predict(person1_all_text)
+
+emotions_data = []
+
+for emotion in emotions:
+    emotion = emotion.probas
+    emotions_data.append([emotion["joy"], emotion["sadness"], emotion["anger"], emotion["surprise"], emotion["disgust"], emotion["fear"], emotion["others"]])
+
+chart_data = pd.DataFrame(
+    emotions_data,
+    columns=["1-alegria","2-tristeza","3-enfado","4-sorpresa","5-disgusto","6-miedo","7-otros"]
+)
+
+data1 = pd.melt(chart_data.reset_index(), id_vars=["index"])
+
+chart = (
+    alt.Chart(data1)
+    .mark_bar()
+    .encode(
+        x=alt.X("value", type="quantitative", title=""),
+        y=alt.Y("index", type="nominal", title="", axis=y_axis),
+        color=alt.Color("variable", type="nominal", title="", legend=alt.Legend( title='Emociones:')),
+        order=alt.Order("variable", sort="ascending"),
+    )
+)
+
+#autonomia
+person1_all_text.append(autonomia)
+embeddings = modelS.encode(person1_all_text)
+aut = []
+for idx,answer in enumerate(person1_all_text[:-1]):
+    aut.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+aut_similarities1 = []
+for answer in aut:
+    aut_similarities1.append(float(answer[0][0]))
+
+index = [*range(0,len(aut_similarities1),1)]
+
+chart_autonomia1 = pd.DataFrame({
+    'x':index,
+    'y':aut_similarities1
+})
+
+a1 = alt.Chart(chart_autonomia1).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#660033")
+)
+
+person1_all_text.pop()
+
+#participacion
+
+person1_all_text.append(participacion)
+cleaned1 = list(map(clean_string, person1_all_text))
+embeddings = modelS.encode(cleaned1)
+par = []
+for idx,answer in enumerate(cleaned1[:-1]):
+    par.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+par_similarities1 = []
+for answer in par:
+    par_similarities1.append(float(answer[0][0]))
+
+chart_participacion1 =  pd.DataFrame({
+    'x':index,
+    'y':par_similarities1
+})
+
+p1 = alt.Chart(chart_participacion1).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#33cc33")
+)
+
+person1_all_text.pop()
+
+#compromiso
+
+person1_all_text.append(compromiso)
+cleaned1 = list(map(clean_string, person1_all_text))
+embeddings = modelS.encode(cleaned1)
+com = []
+for idx,answer in enumerate(cleaned1[:-1]):
+    com.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+com_similarities = []
+for answer in com:
+    com_similarities.append(float(answer[0][0]))
+
+chart_compromiso1 = pd.DataFrame({
+    'x':index,
+    'y':com_similarities
+})
+
+c1 = alt.Chart(chart_compromiso1).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#ff6600")
+)
+
+person1_all_text.pop()
+
+#PERSONA2
+#objetivos
+
+person2_objetives.append(objetivos2)
+cleaned2 = list(map(clean_string, person2_objetives))
+embeddings = modelS.encode(cleaned2)
+aut = []
+for idx,answer in enumerate(cleaned2[:-1]):
+    aut.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+similarities2 = []
+for answer in aut:
+    similarities2.append(float(answer[0][0]))
+
+index = [*range(0,len(similarities2),1)]
+
+chart_objetives2 = pd.DataFrame({
+    'x':index,
+    'y':similarities2
+}   
+)
+
+o2 = alt.Chart(chart_objetives2).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#3399ff")
+)
+
+#dicultades
+difficulties2 = []
+cleanedD2 = list(map(clean_string, person2_difficulties))
+for idx,answer in enumerate(cleanedD2):
+    encoded_text2 = tokenizer(answer, return_tensors='pt')
+    output2 = model(**encoded_text2)
+    scores2 = output2[0][0].detach().numpy()
+    scores2 = softmax(scores2)
+    difficulties2.append(scores2)
+
+source3 = []
+
+for idx,d in enumerate(difficulties2):
+    start,end = -d[1]/2,d[1]/2
+    source3.append(
+        {
+            "question":idx+1,
+            "type":"neutral",
+            "value":d[1],
+            "start":start,
+            "end":end
+        }
+    )
+    source3.append(
+        {
+            "question":idx+1,
+            "type":"negativo",
+            "value":d[0],
+            "start":start,
+            "end":start-d[0]
+        }
+    )
+    source3.append(
+        {
+            "question":idx+1,
+            "type":"positivo",
+            "value":d[2],
+            "start":end,
+            "end":end+d[2]
+        }
+    )
+    
+
+source3 = alt.pd.DataFrame(source3)
+
+
+d2 = alt.Chart(source3).mark_bar().encode(
+    x=alt.X('start:Q', title=""),
+    x2='end:Q',
+    y=alt.Y('question:N', axis=y_axis),
+    color=alt.Color(
+        'type:N',
+        legend=alt.Legend( title='Sentimiento:'),
+        scale=color_scale,
+    )
+)
+
+#utilidad
+utilities2 = []
+cleanedU2 = list(map(clean_string, person2_utilities))
+for idx,answer in enumerate(cleanedU2):
+    encoded_text2 = tokenizer(answer, return_tensors='pt')
+    output2 = model(**encoded_text2)
+    scores2 = output2[0][0].detach().numpy()
+    scores2 = softmax(scores2)
+    utilities2.append(scores2)
+
+source4 = []
+
+for idx,d in enumerate(utilities2):
+    start,end = -d[1]/2,d[1]/2
+    source4.append(
+        {
+            "question":idx+1,
+            "type":"neutral",
+            "value":d[1],
+            "start":start,
+            "end":end
+        }
+    )
+    source4.append(
+        {
+            "question":idx+1,
+            "type":"negativo",
+            "value":d[0],
+            "start":start,
+            "end":start-d[0]
+        }
+    )
+    source4.append(
+        {
+            "question":idx+1,
+            "type":"positivo",
+            "value":d[2],
+            "start":end,
+            "end":end+d[2]
+        }
+    )
+    
+
+source4 = alt.pd.DataFrame(source4)
+
+
+u2 = alt.Chart(source4).mark_bar().encode(
+    x=alt.X('start:Q', title=""),
+    x2='end:Q',
+    y=alt.Y('question:N', axis=y_axis),
+    color=alt.Color(
+        'type:N',
+        legend=alt.Legend( title='Sentimiento:'),
+        scale=color_scale,
+    )
+)
+
+#emocion
+
+emotions2 = emotion_analyzer.predict(person2_all_text)
+emotions_data2 = []
+
+for emotion in emotions2:
+    emotion = emotion.probas
+    emotions_data2.append([emotion["joy"], emotion["sadness"], emotion["anger"], emotion["surprise"], emotion["disgust"], emotion["fear"], emotion["others"]])
+
+chart_data2 = pd.DataFrame(
+    emotions_data2,
+    columns=["1-alegria","2-tristeza","3-enfado","4-sorpresa","5-disgusto","6-miedo","7-otros"]
+)
+
+
+data2 = pd.melt(chart_data2.reset_index(), id_vars=["index"])
+
+chart2 = (
+    alt.Chart(data2)
+    .mark_bar()
+    .encode(
+        x=alt.X("value", type="quantitative", title=""),
+        y=alt.Y("index", type="nominal", title="", axis=y_axis),
+        color=alt.Color("variable", type="nominal", title="", legend=alt.Legend( title='Emociones:')),
+        order=alt.Order("variable", sort="ascending"),
+    )
+)
+
+#autonomia
+
+person2_all_text.append(autonomia)
+embeddings2 = modelS.encode(person2_all_text)
+aut2 = []
+for idx,answer in enumerate(person2_all_text[:-1]):
+    aut2.append(cosine_similarity([embeddings2[-1]],[embeddings2[idx]]))
+aut_similarities2 = []
+for answer in aut2:
+    aut_similarities2.append(float(answer[0][0]))
+
+index = [*range(0,len(aut_similarities2),1)]    
+
+chart_autonomia2 = pd.DataFrame({
+    'x':index,
+    'y':aut_similarities2
+})
+
+a2 = alt.Chart(chart_autonomia2).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#660033")
+)
+
+person2_all_text.pop()
+
+#participacion
+
+person2_all_text.append(participacion)
+cleaned1 = list(map(clean_string, person2_all_text))
+embeddings = modelS.encode(cleaned1)
+par = []
+for idx,answer in enumerate(cleaned1[:-1]):
+    par.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+par_similarities2 = []
+for answer in par:
+    par_similarities2.append(float(answer[0][0]))
+
+chart_participacion2 = pd.DataFrame({
+    'x':index,
+    'y':par_similarities2
+})
+
+p2 = alt.Chart(chart_participacion2).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#33cc33")
+)
+
+person2_all_text.pop()
+
+#compromiso
+
+person2_all_text.append(compromiso)
+cleaned1 = list(map(clean_string, person2_all_text))
+embeddings = modelS.encode(cleaned1)
+com = []
+for idx,answer in enumerate(cleaned1[:-1]):
+    com.append(cosine_similarity([embeddings[-1]],[embeddings[idx]]))
+com_similarities2 = []
+for answer in com:
+    com_similarities2.append(float(answer[0][0]))
+
+chart_compromiso2 = pd.DataFrame({
+    'x':index,
+    'y':com_similarities2
+})
+
+c2 = alt.Chart(chart_compromiso2).mark_area().encode(
+    x=alt.X('x', title="Semanas"),
+    y=alt.Y('y', title=""),
+    color=alt.value("#ff6600")
+)
+
+person2_all_text.pop()
+
+#graficas
+st.header("Persona 1 (DAW)")
+with st.container():
+    col1, col2 = st.columns(2, gap="large")
+    with col1:
+        st.text("Analisis de objetivos:")
+        st.altair_chart(o1, use_container_width=True)
+    with col2:
+        st.text("Word Cloud de objetivos:")
+        st.image(person1)
+with st.container():
+    st.text("Sentimiento de dificultad:")
+    st.altair_chart(d1, use_container_width=True)
+with st.container():
+    st.text("Sentimiento de utilidad:")
+    st.altair_chart(u1, use_container_width=True)
+with st.container():
+    st.text("Analisis de emociones:")
+    st.altair_chart(chart, use_container_width=True)
+with st.container():
+    st.text("Analisis de autonomia:")
+    st.altair_chart(a1, use_container_width=True)
+with st.container():
+    st.text("Analisis de participacion:")
+    st.altair_chart(p1, use_container_width=True)
+with st.container():
+    st.text("Analisis de compromiso:")
+    st.altair_chart(c1, use_container_width=True)
+    
+
+st.header("Persona 2 (MARK)")
+with st.container():
+    col1, col2 = st.columns(2, gap="large")
+    with col1:
+        st.text("Analisis de objetivos:")
+        st.altair_chart(o2, use_container_width=True)
+    with col2:
+        st.text("Word Cloud de objetivos:")
+        st.image(person2)
+with st.container():
+    st.text("Sentimiento de dificultad:")
+    st.altair_chart(d2, use_container_width=True)
+with st.container():
+    st.text("Sentimiento de utilidad:")
+    st.altair_chart(u2, use_container_width=True)
+with st.container():
+    st.text("Analisis de emociones:")
+    st.altair_chart(chart2, use_container_width=True)
+with st.container():
+    st.text("Analisis de autonomia:")
+    st.altair_chart(a2, use_container_width=True)
+with st.container():
+    st.text("Analisis de participacion:")
+    st.altair_chart(p2, use_container_width=True)
+with st.container():
+    st.text("Analisis de compromiso:")
+    st.altair_chart(c2, use_container_width=True)

autonomia.txt

@@ -0,0 +1,4 @@
+Me siento capaz de tomar decisiones por mi cuenta en esta clase.
+Siento que puedo elegir mi propio enfoque para aprender y estudiar.
+Disfruto de tener la libertad de explorar mis propios intereses y preguntas en esta clase.
+Me siento empoderado para buscar recursos adicionales y aprender más allá de lo que se enseña en la clase.

compromiso.txt

@@ -0,0 +1,4 @@
+Me siento comprometido con mi aprendizaje y estoy dispuesto a hacer el esfuerzo necesario para tener éxito en esta clase.
+Estoy motivado para hacer lo mejor que pueda en las tareas y trabajos de esta clase.
+Siento que lo que aprendo en esta clase es relevante y útil para mi futuro.
+Me siento responsable de mi propio aprendizaje y estoy comprometido a mantenerme al día con las tareas y el trabajo de la clase.

daw_obj.txt

@@ -0,0 +1,18 @@
+Un grado superior de desarrollo de aplicaciones web tiene como objetivo formar a profesionales capacitados para diseñar, desarrollar, implementar y mantener aplicaciones web, tanto en el ámbito empresarial como en el de los servicios y el comercio electrónico. Algunos de los objetivos específicos del grado superior en desarrollo de aplicaciones web pueden incluir:
+
+Adquirir conocimientos técnicos en programación web y aplicaciones multimedia.
+Desarrollar habilidades en la gestión de proyectos y el trabajo en equipo.
+Conocer las principales tecnologías y herramientas utilizadas en el desarrollo web.
+Adquirir conocimientos en bases de datos y sistemas de gestión de contenidos.
+Desarrollar habilidades en el diseño y la arquitectura de aplicaciones web.
+Adquirir conocimientos en seguridad informática y protección de datos personales.
+Desarrollar habilidades en la resolución de problemas y la toma de decisiones.
+En cuanto a las competencias que se esperan de los graduados en desarrollo de aplicaciones web, éstas pueden incluir:
+
+Conocimientos técnicos en programación, diseño y arquitectura web.
+Habilidad para trabajar en equipo y gestionar proyectos de desarrollo web.
+Capacidad para adaptarse a nuevas tecnologías y herramientas de desarrollo web.
+Habilidad para diseñar y desarrollar aplicaciones web eficientes y seguras.
+Capacidad para analizar y resolver problemas en el desarrollo de aplicaciones web.
+Habilidad para trabajar en entornos dinámicos y cambiantes.
+Capacidad para comunicar y presentar de forma efectiva el trabajo desarrollado.

mark_obj.txt

@@ -0,0 +1,14 @@
+Los objetivos de un grado superior de marketing pueden variar de una institución educativa a otra, pero en general se espera que los estudiantes adquieran conocimientos y habilidades en áreas como:
+
+Fundamentos del marketing: los estudiantes deben aprender los conceptos básicos del marketing, incluyendo el análisis del mercado, la segmentación de mercado, el posicionamiento de productos, la mezcla de marketing, entre otros.
+Comunicación de marketing: los estudiantes deben aprender a crear estrategias de comunicación efectivas, incluyendo publicidad, relaciones públicas, marketing directo y promociones de ventas.
+Marketing digital: los estudiantes deben aprender a utilizar herramientas digitales para el marketing, incluyendo redes sociales, correo electrónico, SEO, SEM y análisis web.
+Investigación de mercado: los estudiantes deben aprender a realizar investigaciones de mercado para conocer las necesidades y preferencias de los consumidores y para identificar oportunidades de mercado.
+Marketing internacional: los estudiantes deben aprender a adaptar las estrategias de marketing a diferentes culturas y mercados internacionales.
+
+En cuanto a las competencias, se espera que los estudiantes desarrollen habilidades como:
+Análisis y toma de decisiones: los estudiantes deben aprender a analizar datos de mercado y a tomar decisiones basadas en ellos.
+Creatividad: los estudiantes deben aprender a ser creativos en la creación de estrategias de marketing y en la resolución de problemas.
+Trabajo en equipo: los estudiantes deben aprender a colaborar con otros miembros del equipo de marketing para lograr objetivos comunes.
+Comunicación: los estudiantes deben aprender a comunicarse de manera efectiva con otros miembros del equipo y con los clientes.
+Actualización constante: los estudiantes deben aprender a mantenerse actualizados sobre las últimas tendencias y herramientas en el marketing, especialmente en el entorno digital en constante cambio.

participacion.txt

@@ -0,0 +1,4 @@
+Me gusta contribuir en las discusiones en clase y compartir mis ideas con los demás.
+Siento que mis preguntas y comentarios son valorados por mi profesor y compañeros de clase.
+Me siento cómodo compartiendo mis experiencias y perspectivas en los trabajos en grupo.
+Me gusta participar en las actividades extracurriculares relacionadas con la clase para profundizar en mi aprendizaje.

requirements.txt

@@ -0,0 +1,14 @@
+gunicorn==19.9.0
+Flask==2.2.3
+numpy==1.20.3
+pandas==1.2.4
+scikit-learn==0.24.1
+streamlit==1.22.0
+protobuf==3.20.2
+nltk==3.8.1
+transformers==4.28.1
+sentence-transformers==2.2.2
+stylecloud==0.5.2
+stop-words==2018.7.23
+pysentimiento==0.6.7
+huggingface_hub==0.14.1