app.py

import gradio as gr
import pandas as pd
from transformers import pipeline
import matplotlib.pyplot as plt
from concurrent.futures import ThreadPoolExecutor

# Configurar el clasificador de sentimientos multilingüe con un modelo más pequeño
classifier = pipeline(task="zero-shot-classification", model="typeform/distilbert-base-uncased-mnli")

# Función para analizar los sentimientos de una lista de textos
def analyze_sentiments(texts):
    if not texts:
        return "0.0%", "0.0%", "0.0%", None  # Manejar el caso donde no hay textos para analizar

    positive, negative, neutral = 0, 0, 0

    # Función para procesar un texto individualmente
    def process_text(text):
        nonlocal positive, negative, neutral
        results = classifier(text, ["positive", "negative", "neutral"], multi_label=True)
        mx = max(results['scores'])
        ind = results['scores'].index(mx)
        result = results['labels'][ind]
        if result == "positive":
            positive += 1
        elif result == "negative":
            negative += 1
        else:
            neutral += 1

    # Usar ThreadPoolExecutor para procesar textos en paralelo
    with ThreadPoolExecutor() as executor:
        executor.map(process_text, texts)

    total = len(texts)
    positive_percent = round((positive / total) * 100, 1)
    negative_percent = round((negative / total) * 100, 1)
    neutral_percent = round((neutral / total) * 100, 1)

    # Crear el gráfico circular
    fig, ax = plt.subplots()
    ax.pie([positive_percent, negative_percent, neutral_percent], labels=["Positivo", "Negativo", "Neutro"], autopct='%1.1f%%', colors=['green', 'red', 'blue'])
    plt.title("Distribución de Sentimientos")
    plt.savefig("sentiment_pie_chart.png")
    plt.close(fig)

    return f"{positive_percent}%", f"{negative_percent}%", f"{neutral_percent}%", "sentiment_pie_chart.png"

# Función para cargar el archivo CSV y analizar los primeros 50 comentarios
def analyze_sentiment_from_csv(file):
    try:
        df = pd.read_csv(file.name)
        if 'content' not in df.columns:
            raise ValueError("El archivo CSV no contiene una columna 'content'")
        texts = df['content'].head(50).tolist()  # Tomar solo los primeros 50 comentarios
        return analyze_sentiments(texts)
    except pd.errors.ParserError as e:
        return f"Error al analizar el archivo CSV: {e}", "", "", None
    except Exception as e:
        return f"Error inesperado: {e}", "", "", None

# Configurar la interfaz de Gradio
demo = gr.Interface(
    fn=analyze_sentiment_from_csv,
    inputs=gr.File(file_count="single", label="Sube tu archivo CSV"),  # Permitir la carga del archivo CSV
    outputs=[
        gr.Textbox(label="Porcentaje Positivo"),
        gr.Textbox(label="Porcentaje Negativo"),
        gr.Textbox(label="Porcentaje Neutro"),
        gr.Image(type="filepath", label="Gráfico de Sentimientos")
    ],
    title="Analizador de Sentimientos V.2",
    description="Porcentaje de comentarios positivos, negativos y neutrales"
)

demo.launch(share=True)