Update app.py

app.py

@@ -69,7 +69,7 @@ class RSM_BoxBehnken:
         Ajusta el modelo de segundo orden a los datos, eliminando términos no significativos.
         """
         formula = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + ' \
-                  f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2)'
+                  f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2)' # Adjusted formula to include x3^2
         self.model_simplified = smf.ols(formula, data=self.data).fit()
         print("\nModelo Simplificado:")
         print(self.model_simplified.summary())
@@ -121,7 +121,7 @@ class RSM_BoxBehnken:
 
         # Determinar las variables que varían y sus niveles naturales
         varying_variables = [var for var in [self.x1_name, self.x2_name, self.x3_name] if var != fixed_variable]
-        
+
         # Establecer los niveles naturales para las variables que varían
         x_natural_levels = self.get_levels(varying_variables[0])
         y_natural_levels = self.get_levels(varying_variables[1])
@@ -224,10 +224,10 @@ class RSM_BoxBehnken:
         Puedes personalizar este método según tus necesidades.
         """
         units = {
-            'Glucosa': 'g/L',
-            'Extracto_de_Levadura': 'g/L',
-            'Triptofano': 'g/L',
-            'AIA_ppm': 'ppm'
+            'Glucosa_g_L': 'g/L',
+            'Proteina_Pescado_g_L': 'g/L',
+            'Sulfato_Manganeso_g_L': 'g/L',
+            'Abs_600nm': '' # No units for Absorbance
         }
         return units.get(variable_name, '')
 
@@ -242,11 +242,11 @@ class RSM_BoxBehnken:
 
         self.all_figures = []  # Resetear la lista de figuras
 
-        # Niveles naturales para graficar
+        # Niveles naturales para graficar - Using levels from the data context, not Box-Behnken design levels.
         levels_to_plot_natural = {
-            self.x1_name: self.x1_levels,
-            self.x2_name: self.x2_levels,
-            self.x3_name: self.x3_levels
+            self.x1_name: sorted(list(set(self.data[self.x1_name]))), # Using unique values from data
+            self.x2_name: sorted(list(set(self.data[self.x2_name]))), # Using unique values from data
+            self.x3_name: sorted(list(set(self.data[self.x3_name])))  # Using unique values from data
         }
 
         # Generar y almacenar gráficos individuales
@@ -361,7 +361,7 @@ class RSM_BoxBehnken:
             'Suma de Cuadrados': [],
             '% Contribución': []
         })
-        
+
         # Calcular porcentaje de contribución para cada factor
         for index, row in anova_table.iterrows():
             if index != 'Residual':
@@ -372,7 +372,7 @@ class RSM_BoxBehnken:
                     factor_name = f'{self.x2_name}^2'
                 elif factor_name == f'I({self.x3_name} ** 2)':
                     factor_name = f'{self.x3_name}^2'
-                
+
                 ss_factor = row['sum_sq']
                 contribution_percentage = (ss_factor / ss_total) * 100
 
@@ -433,7 +433,7 @@ class RSM_BoxBehnken:
         # 10. Cuadrados medios
         ms_regression = ss_regression / df_regression
         ms_residual = ss_residual / df_residual
-        ms_lack_of_fit = ss_lack_of_fit / df_lack_of_fit if not np.isnan(ss_lack_of_fit) else np.nan
+        ms_lack_of_fit = ms_lack_of_fit / df_lack_of_fit if not np.isnan(ss_lack_of_fit) else np.nan
         ms_pure_error = ss_pure_error / df_pure_error if not np.isnan(ss_pure_error) else np.nan
 
         # 11. Estadístico F y valor p para la falta de ajuste
@@ -449,7 +449,7 @@ class RSM_BoxBehnken:
             'F': [np.nan, np.nan, f_lack_of_fit, np.nan, np.nan],
             'Valor p': [np.nan, np.nan, p_lack_of_fit, np.nan, np.nan]
         })
-        
+
         # Calcular la suma de cuadrados y grados de libertad para la curvatura
         ss_curvature = anova_reduced['sum_sq'][f'I({self.x1_name} ** 2)'] + anova_reduced['sum_sq'][f'I({self.x2_name} ** 2)'] + anova_reduced['sum_sq'][f'I({self.x3_name} ** 2)']
         df_curvature = 3
@@ -459,7 +459,7 @@ class RSM_BoxBehnken:
 
         # Reorganizar las filas para que la curvatura aparezca después de la regresión
         detailed_anova_table = detailed_anova_table.reindex([0, 5, 1, 2, 3, 4])
-        
+
         # Resetear el índice para que sea consecutivo
         detailed_anova_table = detailed_anova_table.reset_index(drop=True)
 
@@ -554,7 +554,7 @@ class RSM_BoxBehnken:
         font.size = Pt(12)
 
         # Título del informe
-        titulo = doc.add_heading('Informe de Optimización de Producción de AIA', 0)
+        titulo = doc.add_heading('Informe de Optimización de Producción de Absorbancia', 0) # Changed Title
         titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
 
         doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}").alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
@@ -595,37 +595,48 @@ class RSM_BoxBehnken:
 
 # --- Funciones para la Interfaz de Gradio ---
 
-def load_data(x1_name, x2_name, x3_name, y_name, x1_levels_str, x2_levels_str, x3_levels_str, data_str):
+def load_data(data_str): # Modified load_data to only take data_str
     """
     Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
     """
     try:
-        # Convertir los niveles a listas de números
-        x1_levels = [float(x.strip()) for x in x1_levels_str.split(',')]
-        x2_levels = [float(x.strip()) for x in x2_levels_str.split(',')]
-        x3_levels = [float(x.strip()) for x in x3_levels_str.split(',')]
+        # Use the data dictionary directly
+        data_dict = {
+            'Tratamiento': ['T1', 'T2', 'T3', 'T4', 'T5', 'T6', 'T7', 'T8', 'T9', 'T10', 'T11', 'T12', 'T13', 'T14', 'T15'] * 3,
+            'Tiempo_fermentacion_h': [16] * 15 + [23] * 15 + [40] * 15,
+            'pH': [6.02, 5.39, 6.27, 4.82, 6.25, 4.87, 4.76, 4.68, 4.64, 6.35, 4.67, 6.43, 4.58, 4.60, 6.96,
+                   5.17, 5.95, 6.90, 5.50, 5.08, 4.95, 5.41, 5.52, 4.98, 7.10, 5.36, 6.91, 5.21, 4.66, 7.10,
+                   5.42, 5.60, 7.36, 5.36, 4.66, 4.93, 5.18, 5.26, 4.92, 7.28, 5.26, 6.84, 5.19, 4.58, 7.07],
+            'Abs_600nm': [1.576, 1.474, 1.293, 1.446, 1.537, 1.415, 1.481, 1.419, 1.321, 1.224, 1.459, 0.345, 1.279, 1.181, 0.662,
+                          1.760, 1.690, 1.485, 1.658, 1.728, 1.594, 1.673, 1.607, 1.531, 1.424, 1.595, 0.344, 1.477, 1.257, 0.660,
+                          1.932, 1.780, 1.689, 1.876, 1.885, 1.824, 1.913, 1.810, 1.852, 1.694, 1.831, 0.347, 1.752, 1.367, 0.656],
+            'Glucosa_g_L': [5,10,0,5,10,5,10,5,10,0,5,0,5,5,0] * 3,
+            'Proteina_Pescado_g_L': [1.4,1.4,3.2,3.2,3.2,3.2,3.2,5,5,5,5,0,5,5,0] * 3,
+            'Sulfato_Manganeso_g_L': [0.75,0.5,0.75,0.5,0.75,0.5,0.75,0.5,0.25,0.75,0.5,0.25,0.5,0.25,0.5] * 3
+        }
+        data = pd.DataFrame(data_dict)
 
-        # Crear DataFrame a partir de la cadena de datos
-        data_list = [row.split(',') for row in data_str.strip().split('\n')]
-        column_names = ['Exp.', x1_name, x2_name, x3_name, y_name]
-        data = pd.DataFrame(data_list, columns=column_names)
-        data = data.apply(pd.to_numeric, errors='coerce')  # Convertir a numérico
+        x1_name = "Glucosa_g_L"
+        x2_name = "Proteina_Pescado_g_L"
+        x3_name = "Sulfato_Manganeso_g_L"
+        y_name = "Abs_600nm"
+        x1_levels = sorted(list(set(data[x1_name]))) # Levels from data
+        x2_levels = sorted(list(set(data[x2_name]))) # Levels from data
+        x3_levels = sorted(list(set(data[x3_name]))) # Levels from data
 
-        # Validar que el DataFrame tenga las columnas correctas
-        if not all(col in data.columns for col in column_names):
-            raise ValueError("El formato de los datos no es correcto.")
 
         # Crear la instancia de RSM_BoxBehnken
         global rsm
         rsm = RSM_BoxBehnken(data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels)
 
-        return data.round(3), x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels, gr.update(visible=True)
-    
+        return data.round(3), gr.update(visible=True) # Removed other outputs, only return data_output and analysis_row
+
     except Exception as e:
         # Mostrar mensaje de error
         error_message = f"Error al cargar los datos: {str(e)}"
         print(error_message)
-        return None, "", "", "", "", [], [], [], gr.update(visible=False)
+        return None, gr.update(visible=False) # Removed other outputs, only return data_output and analysis_row
+
 
 def fit_and_optimize_model():
     if 'rsm' not in globals():
@@ -639,14 +650,14 @@ def fit_and_optimize_model():
     prediction_table = rsm.generate_prediction_table()
     contribution_table = rsm.calculate_contribution_percentage()
     anova_table = rsm.calculate_detailed_anova()
-    
-    # Generar todas las figuras y almacenarlas
+
+    # Generar todas las figuras and store them in rsm.all_figures
     rsm.generate_all_plots()
-    
+
     # Formatear la ecuación para que se vea mejor en Markdown
     equation_formatted = equation.replace(" + ", "<br>+ ").replace(" ** ", "^").replace("*", " × ")
     equation_formatted = f"### Ecuación del Modelo Simplificado:<br>{equation_formatted}"
-    
+
     # Guardar las tablas en Excel temporal
     excel_path = rsm.save_tables_to_excel()
 
@@ -658,7 +669,7 @@ def fit_and_optimize_model():
         pareto_completo,
         model_simplificado.summary().as_html(),
         pareto_simplificado,
-        equation_formatted,
+        equation_output,
         optimization_table,
         prediction_table,
         contribution_table,
@@ -680,17 +691,17 @@ def navigate_plot(direction, current_index, all_figures):
     """
     if not all_figures:
         return None, "No hay gráficos disponibles.", current_index
-    
+
     if direction == 'left':
         new_index = (current_index - 1) % len(all_figures)
     elif direction == 'right':
         new_index = (current_index + 1) % len(all_figures)
     else:
         new_index = current_index
-    
+
     selected_fig = all_figures[new_index]
     plot_info_text = f"Gráfico {new_index + 1} de {len(all_figures)}"
-    
+
     return selected_fig, plot_info_text, new_index
 
 def download_current_plot(all_figures, current_index):
@@ -702,12 +713,12 @@ def download_current_plot(all_figures, current_index):
     fig = all_figures[current_index]
     img_bytes = rsm.save_fig_to_bytes(fig)
     filename = f"Grafico_RSM_{current_index + 1}.png"
-    
+
     # Crear un archivo temporal
     with tempfile.NamedTemporaryFile(delete=False, suffix=".png") as temp_file:
         temp_file.write(img_bytes)
         temp_path = temp_file.name
-    
+
     return temp_path  # Retornar solo la ruta
 
 def download_all_plots_zip():
@@ -749,39 +760,19 @@ def exportar_word(rsm_instance, tables_dict):
 
 def create_gradio_interface():
     with gr.Blocks() as demo:
-        gr.Markdown("# Optimización de la producción de AIA usando RSM Box-Behnken")
-        
+        gr.Markdown("# Optimización de la Absorbancia usando RSM") # Changed Title
+
         with gr.Row():
             with gr.Column():
-                gr.Markdown("## Configuración del Diseño")
-                x1_name_input = gr.Textbox(label="Nombre de la Variable X1 (ej. Glucosa)", value="Glucosa")
-                x2_name_input = gr.Textbox(label="Nombre de la Variable X2 (ej. Extracto de Levadura)", value="Extracto_de_Levadura")
-                x3_name_input = gr.Textbox(label="Nombre de la Variable X3 (ej. Triptófano)", value="Triptofano")
-                y_name_input = gr.Textbox(label="Nombre de la Variable Dependiente (ej. AIA (ppm))", value="AIA_ppm")
-                x1_levels_input = gr.Textbox(label="Niveles de X1 (separados por comas)", value="1, 3.5, 5.5")
-                x2_levels_input = gr.Textbox(label="Niveles de X2 (separados por comas)", value="0.03, 0.2, 0.3")
-                x3_levels_input = gr.Textbox(label="Niveles de X3 (separados por comas)", value="0.4, 0.65, 0.9")
-                data_input = gr.Textbox(label="Datos del Experimento (formato CSV)", lines=10, value="""1,-1,-1,0,166.594
-2,1,-1,0,177.557
-3,-1,1,0,127.261
-4,1,1,0,147.573
-5,-1,0,-1,188.883
-6,1,0,-1,224.527
-7,-1,0,1,190.238
-8,1,0,1,226.483
-9,0,-1,-1,195.550
-10,0,1,-1,149.493
-11,0,-1,1,187.683
-12,0,1,1,148.621
-13,0,0,0,278.951
-14,0,0,0,297.238
-15,0,0,0,280.896""")
-                load_button = gr.Button("Cargar Datos")
-            
+                gr.Markdown("## Configuración del Análisis") # Changed Section Title
+                # Removed input boxes for variable names and levels
+                data_input = gr.Textbox(label="Datos del Experimento (formato CSV - Ignored, Data is Hardcoded)", lines=5, interactive=False, value="Data is pre-loaded, ignore input.") # Adjusted Textbox
+                load_button = gr.Button("Cargar Datos") # Keep load button for triggering data load but input is ignored
+
             with gr.Column():
                 gr.Markdown("## Datos Cargados")
                 data_output = gr.Dataframe(label="Tabla de Datos", interactive=False)
-        
+
         # Sección de análisis visible solo después de cargar los datos
         with gr.Row(visible=False) as analysis_row:
             with gr.Column():
@@ -801,11 +792,11 @@ def create_gradio_interface():
                 gr.Markdown("## Descargar Todas las Tablas")
                 download_excel_button = gr.DownloadButton("Descargar Tablas en Excel")
                 download_word_button = gr.DownloadButton("Descargar Tablas en Word")
-            
+
             with gr.Column():
                 gr.Markdown("## Generar Gráficos de Superficie de Respuesta")
-                fixed_variable_input = gr.Dropdown(label="Variable Fija", choices=["Glucosa", "Extracto_de_Levadura", "Triptofano"], value="Glucosa")
-                fixed_level_input = gr.Slider(label="Nivel de Variable Fija", minimum=-1, maximum=1, step=0.01, value=0.0)
+                fixed_variable_input = gr.Dropdown(label="Variable Fija", choices=["Glucosa_g_L", "Proteina_Pescado_g_L", "Sulfato_Manganeso_g_L"], value="Glucosa_g_L") # Updated choices
+                fixed_level_input = gr.Slider(label="Nivel de Variable Fija (Natural Units)", minimum=0, maximum=10, step=0.1, value=5.0) # Updated Slider
                 plot_button = gr.Button("Generar Gráficos")
                 with gr.Row():
                     left_button = gr.Button("<")
@@ -817,14 +808,14 @@ def create_gradio_interface():
                     download_all_plots_button = gr.DownloadButton("Descargar Todos los Gráficos (ZIP)")
                 current_index_state = gr.State(0)  # Estado para el índice actual
                 all_figures_state = gr.State([])  # Estado para todas las figuras
-    
-        # Cargar datos
+
+        # Cargar datos - Modified load_button click to only take data_input (which is ignored)
         load_button.click(
             load_data,
-            inputs=[x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, data_input],
-            outputs=[data_output, x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, analysis_row]
+            inputs=[data_input], # Only data_input is now input
+            outputs=[data_output, analysis_row] # Removed other outputs, only return data_output and analysis_row
         )
-        
+
         # Ajustar modelo y optimizar
         fit_button.click(
             fit_and_optimize_model,
@@ -843,7 +834,7 @@ def create_gradio_interface():
                 download_excel_button      # Ruta del Excel de tablas
             ]
         )
-        
+
         # Generar y mostrar los gráficos
         plot_button.click(
             lambda fixed_var, fixed_lvl: (
@@ -855,7 +846,7 @@ def create_gradio_interface():
             inputs=[fixed_variable_input, fixed_level_input],
             outputs=[rsm_plot_output, plot_info, current_index_state, all_figures_state]
         )
-        
+
         # Navegación de gráficos
         left_button.click(
             lambda current_index, all_figures: navigate_plot('left', current_index, all_figures),
@@ -867,46 +858,43 @@ def create_gradio_interface():
             inputs=[current_index_state, all_figures_state],
             outputs=[rsm_plot_output, plot_info, current_index_state]
         )
-        
+
         # Descargar gráfico actual
         download_plot_button.click(
             download_current_plot,
             inputs=[all_figures_state, current_index_state],
             outputs=download_plot_button
         )
-        
+
         # Descargar todos los gráficos en ZIP
         download_all_plots_button.click(
             download_all_plots_zip,
             inputs=[],
             outputs=download_all_plots_button
         )
-        
+
         # Descargar todas las tablas en Excel y Word
         download_excel_button.click(
             fn=lambda: download_all_tables_excel(),
             inputs=[],
             outputs=download_excel_button
         )
-        
+
         download_word_button.click(
             fn=lambda: exportar_word(rsm, rsm.get_all_tables()),
             inputs=[],
             outputs=download_word_button
         )
-        
+
         # Ejemplo de uso
-        gr.Markdown("## Ejemplo de uso")
+        gr.Markdown("## Instrucciones:") # Shortened Instructions
         gr.Markdown("""
-        1. Introduce los nombres de las variables y sus niveles en las cajas de texto correspondientes.
-        2. Copia y pega los datos del experimento en la caja de texto 'Datos del Experimento'.
-        3. Haz clic en 'Cargar Datos' para cargar los datos en la tabla.
-        4. Haz clic en 'Ajustar Modelo y Optimizar' para ajustar el modelo y encontrar los niveles óptimos de los factores.
-        5. Selecciona una variable fija y su nivel en los controles deslizantes.
-        6. Haz clic en 'Generar Gráficos' para generar los gráficos de superficie de respuesta.
-        7. Navega entre los gráficos usando los botones '<' y '>'.
-        8. Descarga el gráfico actual en PNG o descarga todos los gráficos en un ZIP.
-        9. Descarga todas las tablas en un archivo Excel o Word con los botones correspondientes.
+        1. Click 'Cargar Datos' para usar los datos precargados.
+        2. Click 'Ajustar Modelo y Optimizar'.
+        3. Select 'Variable Fija' and 'Nivel de Variable Fija'.
+        4. Click 'Generar Gráficos'.
+        5. Navigate plots with '<' and '>'.
+        6. Download plots and tables as needed.
         """)
 
     return demo
@@ -918,4 +906,4 @@ def main():
     interface.launch(share=True)
 
 if __name__ == "__main__":
-    main()
+    main()