import gradio as gr import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy import stats from datetime import datetime import docx from docx.shared import Inches, Pt from docx.enum.text import WD_PARAGRAPH_ALIGNMENT import os from matplotlib.colors import to_hex def safe_color(c): if isinstance(c, str): c = c.strip() if c.lower().startswith('rgba('): vals = c.strip('rgba()').split(',') vals = [v.strip() for v in vals] if len(vals) == 4: r, g, b, a = [float(x) for x in vals] r = r/255.0 if r > 1 else r g = g/255.0 if g > 1 else g b = b/255.0 if b > 1 else b c = to_hex((r, g, b, a)) return c def ajustar_decimales_evento(df, decimales): df = df.copy() for col in df.columns: try: df[col] = pd.to_numeric(df[col], errors='ignore') df[col] = df[col].round(decimales) except: pass return df def calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales): df = df.copy() col_replicas = [c for c in df.columns if c.startswith("Absorbancia Real") and f"({unidad_replicas})" in c and "Promedio" not in c and "Desviación" not in c] for col in col_replicas: df[col] = pd.to_numeric(df[col], errors='coerce') if len(col_replicas) > 0: df[f"Absorbancia Real Promedio ({unidad_replicas})"] = df[col_replicas].mean(axis=1) else: df[f"Absorbancia Real Promedio ({unidad_replicas})"] = np.nan if len(col_replicas) > 1: df[f"Desviación Estándar ({unidad_replicas})"] = df[col_replicas].std(ddof=1, axis=1) else: df[f"Desviación Estándar ({unidad_replicas})"] = 0.0 df[f"Absorbancia Real Promedio ({unidad_replicas})"] = df[f"Absorbancia Real Promedio ({unidad_replicas})"].round(decimales) df[f"Desviación Estándar ({unidad_replicas})"] = df[f"Desviación Estándar ({unidad_replicas})"].round(decimales) return df def generar_graficos(df_valid, n_replicas, unidad_predicha, unidad_replicas, color_puntos, estilo_puntos, color_linea_ajuste, estilo_linea_ajuste, color_barras_error, mostrar_linea_ajuste, mostrar_puntos): color_puntos = safe_color(color_puntos) color_linea_ajuste = safe_color(color_linea_ajuste) color_barras_error = safe_color(color_barras_error) col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})" col_desviacion = f"Desviación Estándar ({unidad_replicas})" df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce') df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce') df_valid[col_desviacion] = pd.to_numeric(df_valid[col_desviacion], errors='coerce').fillna(0) if df_valid.empty or df_valid[col_predicha].isna().all() or df_valid[col_real_promedio].isna().all(): fig = plt.figure() plt.text(0.5,0.5,"Datos insuficientes para generar el gráfico",ha='center',va='center') return fig slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio]) df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha] sns.set(style="whitegrid") plt.rcParams.update({'figure.autolayout': True}) fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) if mostrar_puntos: if n_replicas > 1: ax1.errorbar( df_valid[col_predicha], df_valid[col_real_promedio], yerr=df_valid[col_desviacion], fmt=estilo_puntos, color=color_puntos, ecolor=color_barras_error, elinewidth=2, capsize=3, label='Datos Reales' ) else: ax1.scatter( df_valid[col_predicha], df_valid[col_real_promedio], color=color_puntos, s=100, label='Datos Reales', marker=estilo_puntos ) if mostrar_linea_ajuste: ax1.plot( df_valid[col_predicha], df_valid['Ajuste Lineal'], color=color_linea_ajuste, label='Ajuste Lineal', linewidth=2, linestyle=estilo_linea_ajuste ) ax1.set_title('Correlación entre Concentración Predicha y Absorbancia Real', fontsize=14) ax1.set_xlabel(f'Concentración Predicha ({unidad_predicha})', fontsize=12) ax1.set_ylabel(f'Absorbancia Real Promedio ({unidad_replicas})', fontsize=12) ax1.annotate( f'y = {intercept:.3f} + {slope:.3f}x\n$R^2$ = {r_value**2:.4f}', xy=(0.05, 0.95), xycoords='axes fraction', fontsize=12, backgroundcolor='white', verticalalignment='top' ) ax1.legend(loc='lower right', fontsize=10) residuos = df_valid[col_real_promedio] - df_valid['Ajuste Lineal'] ax2.scatter( df_valid[col_predicha], residuos, color=color_puntos, s=100, marker=estilo_puntos, label='Residuos' ) ax2.axhline(y=0, color='black', linestyle='--', linewidth=1) ax2.set_title('Gráfico de Residuos', fontsize=14) ax2.set_xlabel(f'Concentración Predicha ({unidad_predicha})', fontsize=12) ax2.set_ylabel('Residuo', fontsize=12) ax2.legend(loc='upper right', fontsize=10) plt.tight_layout() plt.savefig('grafico.png') return fig def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent): evaluacion = { "calidad": "", "recomendaciones": [], "estado": "✅" if r_squared >= 0.95 and cv_percent <= 15 else "⚠️" } if r_squared >= 0.95: evaluacion["calidad"] = "Excelente" elif r_squared >= 0.90: evaluacion["calidad"] = "Buena" elif r_squared >= 0.85: evaluacion["calidad"] = "Regular" else: evaluacion["calidad"] = "Deficiente" if r_squared < 0.95: evaluacion["recomendaciones"].append("- Considere repetir algunas mediciones para mejorar la correlación") if cv_percent > 15: evaluacion["recomendaciones"].append("- La variabilidad es alta. Revise el procedimiento de dilución") mean_val = df_valid[df_valid.columns[-1]].astype(float).mean() if not df_valid.empty else 1 if mean_val == 0: mean_val = 1 if rmse > 0.1 * mean_val: evaluacion["recomendaciones"].append("- El error de predicción es significativo. Verifique la técnica de medición") return evaluacion def generar_informe_completo(df_valid, n_replicas, unidad_predicha, unidad_replicas): col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})" df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce') df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce') if len(df_valid) < 2: informe = "# Informe de Calibración ⚠️\nNo hay suficientes datos para calcular la regresión." return informe, "⚠️" slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio]) r_squared = r_value ** 2 rmse = np.sqrt(((df_valid[col_real_promedio] - (intercept + slope * df_valid[col_predicha])) ** 2).mean()) cv = (df_valid[col_real_promedio].std() / df_valid[col_real_promedio].mean()) * 100 if df_valid[col_real_promedio].mean() != 0 else 0 evaluacion = evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv) informe = f"""# Informe de Calibración {evaluacion['estado']} Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')} ## Resumen Estadístico - **Ecuación de Regresión**: y = {intercept:.4f} + {slope:.4f}x - **Coeficiente de correlación (r)**: {r_value:.4f} - **Coeficiente de determinación ($R^2$)**: {r_squared:.4f} - **Valor p**: {p_value:.4e} - **Error estándar de la pendiente**: {std_err:.4f} - **Error cuadrático medio (RMSE)**: {rmse:.4f} - **Coeficiente de variación (CV)**: {cv:.2f}% ## Evaluación de Calidad - **Calidad de la calibración**: {evaluacion['calidad']} ## Recomendaciones {chr(10).join(evaluacion['recomendaciones']) if evaluacion['recomendaciones'] else "No hay recomendaciones específicas. La calibración cumple con los criterios de calidad."} ## Decisión {("✅ APROBADO - La calibración cumple con los criterios de calidad establecidos" if evaluacion['estado'] == "✅" else "⚠️ REQUIERE REVISIÓN - La calibración necesita ajustes según las recomendaciones anteriores")} --- *Nota: Este informe fue generado automáticamente. Por favor, revise los resultados y valide según sus criterios específicos.* """ return informe, evaluacion['estado'] def actualizar_analisis(df, n_replicas, unidad_predicha, unidad_replicas, filas_seleccionadas, decimales): if df is None or df.empty: return "Error en los datos", None, "No se pueden generar análisis", df if not filas_seleccionadas: return "Se necesitan más datos", None, "No se han seleccionado filas para el análisis", df indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas] df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales) col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})" df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce') df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce') df_valid = df.dropna(subset=[col_predicha, col_real_promedio]) df_valid.reset_index(drop=True, inplace=True) df_valid = df_valid.loc[indices_seleccionados] if len(df_valid) < 2: return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis", df slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio]) df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha] fig = generar_graficos( df_valid, n_replicas, unidad_predicha, unidad_replicas, color_puntos="#0000FF", estilo_puntos='o', color_linea_ajuste="#00FF00", estilo_linea_ajuste='-', color_barras_error="#FFA500", mostrar_linea_ajuste=True, mostrar_puntos=True ) informe, estado = generar_informe_completo(df_valid, n_replicas, unidad_predicha, unidad_replicas) return estado, fig, informe, df def exportar_informe_word(df_valid, informe_md, unidad_predicha, unidad_replicas): doc = docx.Document() style = doc.styles['Normal'] font = style.font font.name = 'Times New Roman' font.size = Pt(12) titulo = doc.add_heading('Informe de Calibración', 0) titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER fecha = doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}") fecha.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER if os.path.exists('grafico.png'): doc.add_picture('grafico.png', width=Inches(6)) ultimo_parrafo = doc.paragraphs[-1] ultimo_parrafo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER leyenda = doc.add_paragraph('Figura 1. Gráfico de calibración.') leyenda_format = leyenda.paragraph_format leyenda_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER leyenda.style = doc.styles['Caption'] doc.add_heading('Resumen Estadístico', level=1) for linea in informe_md.split('\n'): if linea.startswith('##'): doc.add_heading(linea.replace('##', '').strip(), level=2) else: doc.add_paragraph(linea) doc.add_heading('Tabla de Datos de Calibración', level=1) tabla_datos = df_valid.reset_index(drop=True) tabla_datos = tabla_datos.round(4) columnas = tabla_datos.columns.tolist() registros = tabla_datos.values.tolist() tabla = doc.add_table(rows=1 + len(registros), cols=len(columnas)) tabla.style = 'Table Grid' hdr_cells = tabla.rows[0].cells for idx, col_name in enumerate(columnas): hdr_cells[idx].text = col_name for i, registro in enumerate(registros): row_cells = tabla.rows[i + 1].cells for j, valor in enumerate(registro): row_cells[j].text = str(valor) for row in tabla.rows: for cell in row.cells: for paragraph in cell.paragraphs: paragraph.style = doc.styles['Normal'] filename = 'informe_calibracion.docx' doc.save(filename) return filename def exportar_informe_latex(df_valid, informe_md): informe_tex = r"""\documentclass{article} \usepackage[spanish]{babel} \usepackage{amsmath} \usepackage{graphicx} \usepackage{booktabs} \begin{document} """ informe_tex += informe_md.replace('#', '').replace('**', '\\textbf{').replace('*', '\\textit{') informe_tex += r""" \end{document} """ filename = 'informe_calibracion.tex' with open(filename, 'w') as f: f.write(informe_tex) return filename def exportar_word(df, informe_md, unidad_predicha, unidad_replicas, filas_seleccionadas): df_valid = df.copy() col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = [c for c in df_valid.columns if 'Absorbancia Real Promedio' in c][0] if any('Absorbancia Real Promedio' in c for c in df_valid.columns) else None if col_predicha in df_valid.columns: df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce') if col_real_promedio: df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce') df_valid = df_valid.dropna(subset=[col_predicha] if col_predicha else df_valid.columns[0], how='all') df_valid.reset_index(drop=True, inplace=True) if not filas_seleccionadas: return None indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas if s.split(' ')[1].isdigit() and int(s.split(' ')[1]) - 1 < len(df_valid)] if indices_seleccionados: df_valid = df_valid.loc[indices_seleccionados] else: df_valid = df_valid.iloc[:0] if df_valid.empty: return None filename = exportar_informe_word(df_valid, informe_md, unidad_predicha, unidad_replicas) return filename def exportar_latex(df, informe_md, filas_seleccionadas): df_valid = df.copy() col_predicha = [c for c in df_valid.columns if 'Concentración Predicha' in c] col_predicha = col_predicha[0] if col_predicha else None col_real_promedio = [col for col in df_valid.columns if 'Absorbancia Real Promedio' in col][0] if any('Absorbancia Real Promedio' in c for c in df_valid.columns) else None if col_predicha and col_predicha in df_valid.columns: df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce') if col_real_promedio: df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce') df_valid = df_valid.dropna(subset=[col_predicha] if col_predicha else df_valid.columns[0], how='all') df_valid.reset_index(drop=True, inplace=True) if not filas_seleccionadas: return None indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas if s.split(' ')[1].isdigit() and int(s.split(' ')[1]) - 1 < len(df_valid)] if indices_seleccionados: df_valid = df_valid.loc[indices_seleccionados] else: df_valid = df_valid.iloc[:0] if df_valid.empty: return None filename = exportar_informe_latex(df_valid, informe_md) return filename def limpiar_datos(n_replicas): unidad_predicha = "mg/L" unidad_replicas = "Abs" df = pd.DataFrame({ "Solución": [1/(2**i) for i in range(7)], "H2O": [1-(1/(2**i)) for i in range(7)], "Factor de Dilución": [(1/(1/(2**i))) for i in range(7)], f"Concentración Predicha ({unidad_predicha})": [2000000/(1/(1/(2**i))) for i in range(7)] }) for i in range(1, n_replicas+1): df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan return ( 2000000, unidad_predicha, 7, df, "", None, "" ) def generar_datos_sinteticos_evento(df, n_replicas, unidad_predicha, unidad_replicas): df = df.copy() col_predicha = f"Concentración Predicha ({unidad_predicha})" if col_predicha in df.columns: df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce') for i in range(1, n_replicas + 1): col_real = f"Absorbancia Real {i} ({unidad_replicas})" desviacion_std = 0.05 * df[col_predicha].mean() valores_predichos = df[col_predicha].dropna().values if len(valores_predichos) == 0: continue datos_sinteticos = valores_predichos + np.random.normal(0, desviacion_std, size=len(valores_predichos)) datos_sinteticos = np.maximum(0, datos_sinteticos) datos_sinteticos = np.round(datos_sinteticos, 3) df.loc[df[col_predicha].notna(), col_real] = datos_sinteticos return df def actualizar_tabla_evento(df, n_filas, conc, unidad_predicha, unidad_replicas, n_replicas, decimales): df = df.copy() if len(df) > n_filas: df = df.iloc[:n_filas].reset_index(drop=True) else: for i in range(len(df), n_filas): df.loc[i, df.columns] = np.nan df = ajustar_decimales_evento(df, decimales) return df def cargar_excel(file): all_sheets = pd.read_excel(file.name, sheet_name=None) if len(all_sheets) < 3: return "El archivo debe tener al menos tres pestañas (Hoja1, Hoja2, Hoja3).", None, None, None, None, None, None, "" sheet_names = list(all_sheets.keys()) sheet1_name = sheet_names[0] sheet2_name = sheet_names[1] sheet3_name = sheet_names[2] df_sheet1 = all_sheets[sheet1_name] df_sheet2 = all_sheets[sheet2_name] df_sheet3 = all_sheets[sheet3_name] df_base = df_sheet1.iloc[:, :4].copy() pred_col = df_base.columns[-1] unidad_predicha = "mg/L" try: if "(" in pred_col and ")" in pred_col: unidad_predicha = pred_col.split("(")[1].split(")")[0].strip() except: unidad_predicha = "mg/L" unidad_replicas = "Abs" concentracion_inicial = 2000000.0 n_filas = len(df_base) n_replicas = 2 df_sistema = df_base.copy() col_replica_1 = df_sheet2.iloc[:n_filas, 1].values if df_sheet2.shape[1] > 1 else df_sheet2.iloc[:n_filas,0].values col_replica_2 = df_sheet3.iloc[:n_filas, 1].values if df_sheet3.shape[1] > 1 else df_sheet3.iloc[:n_filas,0].values df_sistema[f"Absorbancia Real 1 ({unidad_replicas})"] = col_replica_1 df_sistema[f"Absorbancia Real 2 ({unidad_replicas})"] = col_replica_2 return concentracion_inicial, unidad_predicha, n_filas, n_replicas, df_sistema, "", None, "" def actualizar_opciones_filas(df): if df is None or df.empty: update = gr.update(choices=[], value=[]) else: opciones = [f"Fila {i+1}" for i in df.index] update = gr.update(choices=opciones, value=opciones) return update, update def calcular_regresion_tabla_principal(df, unidad_predicha, unidad_replicas, filas_seleccionadas_regresion, color_puntos, estilo_puntos, color_linea_ajuste, estilo_linea_ajuste, mostrar_linea_ajuste, mostrar_puntos, legend_location, decimales, titulo_grafico_original, titulo_grafico_personalizado, eje_x_original, eje_y_original, eje_x_personalizado, eje_y_personalizado): if df is None or df.empty: return "Datos insuficientes", None, None, None color_puntos = safe_color(color_puntos) color_linea_ajuste = safe_color(color_linea_ajuste) col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})" col_desviacion = f"Desviación Estándar ({unidad_replicas})" n_replicas = len([c for c in df.columns if 'Absorbancia Real ' in c and 'Promedio' not in c and 'Desviación' not in c]) df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales) if col_predicha not in df.columns or col_real_promedio not in df.columns: return "Faltan columnas necesarias", None, None, None df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce') df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce') df[col_desviacion] = pd.to_numeric(df[col_desviacion], errors='coerce').fillna(0) df_valid = df.dropna(subset=[col_predicha, col_real_promedio]) df_valid.reset_index(drop=True, inplace=True) df_original = df_valid.copy() if not filas_seleccionadas_regresion: return "Se necesitan más datos", None, None, None indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas_regresion] if len(indices_seleccionados) < 2: return "Se requieren al menos dos puntos para calcular la regresión", None, None, None df_valid = df_valid.loc[indices_seleccionados] slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio]) sns.set(style="whitegrid") fig_original, ax_original = plt.subplots(figsize=(8, 6)) # Gráfico Original ax_original.errorbar( df_original[col_predicha], df_original[col_real_promedio], yerr=df_original[col_desviacion], fmt=estilo_puntos, color=color_puntos, ecolor='gray', elinewidth=1, capsize=3, label='Datos' ) slope_all, intercept_all, r_value_all, p_value_all, std_err_all = stats.linregress(df_original[col_predicha], df_original[col_real_promedio]) ax_original.plot( df_original[col_predicha], intercept_all + slope_all * df_original[col_predicha], color=color_linea_ajuste, linestyle='-', label='Ajuste Lineal' ) ax_original.set_xlabel(eje_x_original if eje_x_original else f'Concentración Predicha ({unidad_predicha})') ax_original.set_ylabel(eje_y_original if eje_y_original else f'Absorbancia Real Promedio ({unidad_replicas})') ax_original.set_title(titulo_grafico_original if titulo_grafico_original else 'Regresión Lineal: Absorbancia Real vs Concentración Predicha (Original)') ax_original.legend(loc=legend_location) ax_original.annotate( f'y = {intercept_all:.4f} + {slope_all:.4f}x\n$R^2$ = {r_value_all**2:.4f}', xy=(0.05, 0.95), xycoords='axes fraction', fontsize=12, backgroundcolor='white', verticalalignment='top' ) # Gráfico Personalizado sns.set(style="whitegrid") fig_personalizado, ax_personalizado = plt.subplots(figsize=(8, 6)) if mostrar_puntos: ax_personalizado.errorbar( df_valid[col_predicha], df_valid[col_real_promedio], yerr=df_valid[col_desviacion], fmt=estilo_puntos, color=color_puntos, ecolor='gray', elinewidth=1, capsize=3, label='Datos' ) if mostrar_linea_ajuste: ax_personalizado.plot( df_valid[col_predicha], intercept + slope * df_valid[col_predicha], color=color_linea_ajuste, linestyle=estilo_linea_ajuste, label='Ajuste Lineal' ) ax_personalizado.set_xlabel(eje_x_personalizado if eje_x_personalizado else f'Concentración Predicha ({unidad_predicha})') ax_personalizado.set_ylabel(eje_y_personalizado if eje_y_personalizado else f'Absorbancia Real Promedio ({unidad_replicas})') ax_personalizado.set_title(titulo_grafico_personalizado if titulo_grafico_personalizado else 'Regresión Lineal Personalizada') ax_personalizado.legend(loc=legend_location) ax_personalizado.annotate( f'y = {intercept:.4f} + {slope:.4f}x\n$R^2$ = {r_value**2:.4f}', xy=(0.05, 0.95), xycoords='axes fraction', fontsize=12, backgroundcolor='white', verticalalignment='top' ) df_resumen = df_valid[[col_predicha, col_real_promedio, col_desviacion]].copy() df_resumen.columns = [f'Concentración Predicha ({unidad_predicha})', 'Absorbancia Promedio', 'Desviación Estándar'] return "Regresión calculada exitosamente", fig_original, fig_personalizado, df_resumen def iniciar_con_ejemplo(): unidad_predicha = "mg/L" unidad_replicas = "Abs" df = pd.DataFrame({ "Solución": [1.00,0.80,0.67,0.60,0.53,0.47,0.40], "H2O": [0.00,0.20,0.33,0.40,0.47,0.53,0.60], "Factor de Dilución": [1.00,1.25,1.50,1.67,1.87,2.14,2.50], f"Concentración Predicha ({unidad_predicha})": [150,120,100,90,80,70,60], f"Absorbancia Real 1 ({unidad_replicas})": [1.715,1.089,0.941,0.552,0.703,0.801,0.516] }) n_replicas = 1 estado, fig, informe, df = actualizar_analisis(df, n_replicas, unidad_predicha, unidad_replicas, [f"Fila {i+1}" for i in df.index], 3) return ( 2000000, unidad_predicha, unidad_replicas, 7, df, estado, fig, informe, [f"Fila {i+1}" for i in df.index], 3 ) import gradio as gr with gr.Blocks(theme=gr.themes.Soft()) as interfaz: gr.Markdown(""" # 📊 Sistema Avanzado de Calibración con Análisis Estadístico En esta interfaz puede: - Ingresar y/o cargar datos de calibración. - Ajustar unidades, número de decimales, réplicas, etc. - Calcular la regresión, visualizar gráficos y generar informes. **Sugerencia:** Cargue sus datos o use un ejemplo, luego presione "Calcular" para obtener el análisis. """) with gr.Tab("📝 Datos de Calibración"): gr.Markdown(""" ### Ingrese Parámetros Iniciales Ajuste las unidades y la concentración inicial, así como el número de filas y réplicas para la tabla. """) with gr.Row(): with gr.Column(): concentracion_input = gr.Number( value=2000000, label="Concentración Inicial", precision=0 ) unidad_predicha_input = gr.Textbox( value="mg/L", label="Unidad de Medida (Predicha)", placeholder="Ejemplo: mg/L" ) unidad_replicas_input = gr.Textbox( value="UFC", label="Unidad de Medida (Absorbancias)", placeholder="Ejemplo: Abs, OD, UFC, etc." ) with gr.Column(): filas_slider = gr.Slider( minimum=1, maximum=20, value=7, step=1, label="Número de Filas" ) decimales_slider = gr.Slider( minimum=0, maximum=5, value=3, step=1, label="Número de Decimales" ) replicas_slider = gr.Slider( minimum=1, maximum=10, value=1, step=1, label="Número de Réplicas" ) with gr.Row(): with gr.Column(): gr.Markdown("### Acciones sobre la Tabla") calcular_btn = gr.Button("🔄 Calcular", variant="primary") ajustar_decimales_btn = gr.Button("🛠 Ajustar Decimales", variant="secondary") limpiar_btn = gr.Button("🗑 Limpiar Datos", variant="secondary") with gr.Column(): gr.Markdown("### Ejemplos y Carga de Datos") ejemplo_ufc_btn = gr.Button("📋 Cargar Ejemplo UFC", variant="secondary") ejemplo_od_btn = gr.Button("📋 Cargar Ejemplo OD", variant="secondary") sinteticos_btn = gr.Button("🧪 Generar Datos Sintéticos", variant="secondary") cargar_excel_btn = gr.UploadButton("📂 Cargar Excel", file_types=[".xlsx"], variant="secondary") gr.Markdown("### Tabla de Datos") tabla_output = gr.DataFrame( wrap=True, label="Tabla de Datos", interactive=True, type="pandas", ) with gr.Tab("📊 Análisis y Reporte"): gr.Markdown(""" ### Análisis y Resultados Seleccione las filas a utilizar en el análisis y presione Calcular. Ajuste colores y estilo según su preferencia. """) with gr.Row(): filas_seleccionadas = gr.CheckboxGroup( label="Seleccione filas para el análisis", choices=[], value=[], ) with gr.Row(): with gr.Column(): color_puntos_picker = gr.ColorPicker(label="Color de Puntos", value="#0000FF") estilo_puntos_dropdown = gr.Dropdown( choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"], value="o", label="Estilo de Punto" ) with gr.Column(): color_linea_ajuste_picker = gr.ColorPicker(label="Color de la Línea de Ajuste", value="#00FF00") estilo_linea_ajuste_dropdown = gr.Dropdown( choices=["-", "--", "-.", ":"], value="-", label="Estilo Línea de Ajuste" ) with gr.Column(): color_barras_error_picker = gr.ColorPicker(label="Color Barras de Error", value="#FFA500") mostrar_linea_ajuste = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste") mostrar_puntos = gr.Checkbox(value=True, label="Mostrar Puntos") with gr.Row(): graficar_btn = gr.Button("📊 Graficar", variant="primary") recalcular_btn = gr.Button("🔄 Recalcular", variant="secondary") estado_output = gr.Textbox(label="Estado del Análisis", interactive=False) graficos_output = gr.Plot(label="Gráficos de Análisis") informe_output = gr.Markdown(elem_id="informe_output") gr.Markdown("### Exportar Informe") with gr.Row(): copiar_btn = gr.Button("📋 Copiar Informe", variant="secondary") exportar_word_btn = gr.Button("💾 Exportar Informe Word", variant="primary") exportar_latex_btn = gr.Button("💾 Exportar Informe LaTeX", variant="primary") with gr.Row(): exportar_word_file = gr.File(label="Informe en Word") exportar_latex_file = gr.File(label="Informe en LaTeX") with gr.Tab("📈 Regresión Absorbancia vs Concentración"): gr.Markdown(""" ### Análisis de Regresión Adicional Seleccione nuevamente las filas para la regresión y personalice los gráficos. """) filas_seleccionadas_regresion = gr.CheckboxGroup( label="Seleccione filas para la regresión", choices=[], value=[], ) with gr.Row(): color_puntos_regresion_picker = gr.ColorPicker(label="Color Puntos (Regresión)", value="#0000FF") estilo_puntos_regresion = gr.Dropdown( choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"], value="o", label="Estilo de Puntos (Regresión)" ) color_linea_ajuste_regresion_picker = gr.ColorPicker(label="Color Línea Ajuste (Regresión)", value="#00FF00") estilo_linea_ajuste_regresion = gr.Dropdown( choices=["-", "--", "-.", ":"], value="-", label="Estilo Línea de Ajuste (Regresión)" ) mostrar_linea_ajuste_regresion = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste (Regresión)") mostrar_puntos_regresion = gr.Checkbox(value=True, label="Mostrar Puntos (Regresión)") legend_location_dropdown = gr.Dropdown( choices=[ 'best', 'upper right', 'upper left', 'lower left', 'lower right', 'right', 'center left', 'center right', 'lower center', 'upper center', 'center' ], value='lower right', label='Ubicación de la Leyenda' ) with gr.Row(): titulo_grafico_original = gr.Textbox( label="Título del Gráfico Original", placeholder="Ej: Regresión Lineal: Abs vs Conc (Original)" ) titulo_grafico_personalizado = gr.Textbox( label="Título del Gráfico Personalizado", placeholder="Ej: Regresión Lineal Personalizada" ) with gr.Row(): eje_x_original = gr.Textbox( label="Etiqueta Eje X (Original)", placeholder="Concentración Predicha (mg/L)" ) eje_y_original = gr.Textbox( label="Etiqueta Eje Y (Original)", placeholder="Absorbancia Real Promedio (UFC)" ) with gr.Row(): eje_x_personalizado = gr.Textbox( label="Etiqueta Eje X (Personalizado)", placeholder="Concentración Predicha (mg/L)" ) eje_y_personalizado = gr.Textbox( label="Etiqueta Eje Y (Personalizado)", placeholder="Absorbancia Real Promedio (UFC)" ) calcular_regresion_btn = gr.Button("Calcular Regresión") estado_regresion_output = gr.Textbox(label="Estado de la Regresión", interactive=False) grafico_original_output = gr.Plot(label="Gráfico Original") grafico_personalizado_output = gr.Plot(label="Gráfico Personalizado") tabla_resumen_output = gr.DataFrame(label="Tabla Resumida") tabla_output.change( fn=actualizar_opciones_filas, inputs=[tabla_output], outputs=[filas_seleccionadas, filas_seleccionadas_regresion] ) calcular_btn.click( fn=actualizar_analisis, inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas, decimales_slider], outputs=[estado_output, graficos_output, informe_output, tabla_output] ) def actualizar_graficos_custom(df, n_replicas, unidad_predicha, unidad_replicas, color_puntos, estilo_puntos, color_linea_ajuste, estilo_linea_ajuste, color_barras_error, mostrar_linea_ajuste, mostrar_puntos, filas_seleccionadas, decimales): if df is None or df.empty: return None df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales) col_predicha = f"Concentración Predicha ({unidad_predicha})" col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})" df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce') df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce') df_valid = df.dropna(subset=[col_predicha, col_real_promedio]) df_valid.reset_index(drop=True, inplace=True) if not filas_seleccionadas: return None indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas] df_valid = df_valid.loc[indices_seleccionados] if len(df_valid) < 2: return None fig = generar_graficos( df_valid, n_replicas, unidad_predicha, unidad_replicas, color_puntos, estilo_puntos, color_linea_ajuste, estilo_linea_ajuste, color_barras_error, mostrar_linea_ajuste, mostrar_puntos ) return fig graficar_btn.click( fn=actualizar_graficos_custom, inputs=[ tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input, color_puntos_picker, estilo_puntos_dropdown, color_linea_ajuste_picker, estilo_linea_ajuste_dropdown, color_barras_error_picker, mostrar_linea_ajuste, mostrar_puntos, filas_seleccionadas, decimales_slider ], outputs=graficos_output ) recalcular_btn.click( fn=actualizar_analisis, inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas, decimales_slider], outputs=[estado_output, graficos_output, informe_output, tabla_output] ) def resetear_valores(): return gr.update(value=True), gr.update(value=True) calcular_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos]) limpiar_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos]) ajustar_decimales_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos]) sinteticos_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos]) limpiar_btn.click( fn=limpiar_datos, inputs=[replicas_slider], outputs=[concentracion_input, unidad_predicha_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output] ) def cargar_ejemplo_ufc(n_replicas): unidad_predicha = "mg/L" unidad_replicas = "Abs" df = pd.DataFrame({ "Solución": [1.00,0.80,0.67,0.60,0.53,0.47,0.40], "H2O": [0.00,0.20,0.33,0.40,0.47,0.53,0.60], "Factor de Dilución": [1.00,1.25,1.50,1.67,1.87,2.14,2.50], f"Concentración Predicha ({unidad_predicha})": [150,120,100,90,80,70,60] }) for i in range(1, n_replicas + 1): df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan return 2000000, unidad_predicha, unidad_replicas, 7, df def cargar_ejemplo_od(n_replicas): unidad_predicha = "mg/L" unidad_replicas = "OD" df = pd.DataFrame({ "Solución": [1.00,0.80,0.60,0.40,0.20,0.10,0.05], "H2O": [0.00,0.20,0.40,0.60,0.80,0.90,0.95], "Factor de Dilución": [1.00,1.25,1.67,2.50,5.00,10.00,20.00], f"Concentración Predicha ({unidad_predicha})": [1.0,0.8,0.6,0.4,0.2,0.1,0.05] }) for i in range(1, n_replicas + 1): df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan return 1.000, unidad_predicha, unidad_replicas, 7, df ejemplo_ufc_btn.click( fn=cargar_ejemplo_ufc, inputs=[replicas_slider], outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output] ) ejemplo_od_btn.click( fn=cargar_ejemplo_od, inputs=[replicas_slider], outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output] ) sinteticos_btn.click( fn=generar_datos_sinteticos_evento, inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input], outputs=tabla_output ) cargar_excel_btn.upload( fn=cargar_excel, inputs=[cargar_excel_btn], outputs=[concentracion_input, unidad_predicha_input, filas_slider, replicas_slider, tabla_output, estado_output, graficos_output, informe_output] ) ajustar_decimales_btn.click( fn=ajustar_decimales_evento, inputs=[tabla_output, decimales_slider], outputs=tabla_output ) def actualizar_tabla_wrapper(df, filas, conc, unidad_predicha, unidad_replicas, replicas, decimales): return actualizar_tabla_evento(df, filas, conc, unidad_predicha, unidad_replicas, replicas, decimales) concentracion_input.change( fn=actualizar_tabla_wrapper, inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider], outputs=tabla_output ) unidad_predicha_input.change( fn=actualizar_tabla_wrapper, inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider], outputs=tabla_output ) unidad_replicas_input.change( fn=actualizar_tabla_wrapper, inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider], outputs=tabla_output ) filas_slider.change( fn=actualizar_tabla_wrapper, inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider], outputs=tabla_output ) replicas_slider.change( fn=actualizar_tabla_wrapper, inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider], outputs=tabla_output ) decimales_slider.change( fn=ajustar_decimales_evento, inputs=[tabla_output, decimales_slider], outputs=tabla_output ) copiar_btn.click( None, [], [], js=""" function() { const informeElement = document.querySelector('#informe_output'); const range = document.createRange(); range.selectNode(informeElement); window.getSelection().removeAllRanges(); window.getSelection().addRange(range); document.execCommand('copy'); window.getSelection().removeAllRanges(); alert('Informe copiado al portapapeles'); } """ ) exportar_word_btn.click( fn=exportar_word, inputs=[tabla_output, informe_output, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas], outputs=exportar_word_file ) exportar_latex_btn.click( fn=exportar_latex, inputs=[tabla_output, informe_output, filas_seleccionadas], outputs=exportar_latex_file ) interfaz.load( fn=iniciar_con_ejemplo, outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider] ) calcular_regresion_btn.click( fn=calcular_regresion_tabla_principal, inputs=[ tabla_output, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas_regresion, color_puntos_regresion_picker, estilo_puntos_regresion, color_linea_ajuste_regresion_picker, estilo_linea_ajuste_regresion, mostrar_linea_ajuste_regresion, mostrar_puntos_regresion, legend_location_dropdown, decimales_slider, titulo_grafico_original, titulo_grafico_personalizado, eje_x_original, eje_y_original, eje_x_personalizado, eje_y_personalizado ], outputs=[estado_regresion_output, grafico_original_output, grafico_personalizado_output, tabla_resumen_output] ) if __name__ == "__main__": interfaz.launch()