Update app.py

app.py

@@ -1,9 +1,6 @@
 import gradio as gr
 import pandas as pd
 from transformers import pipeline
-import matplotlib.pyplot as plt
-import io
-import base64
 
 # Configurar el clasificador de sentimientos multilingüe
 classifier = pipeline(task="zero-shot-classification", model="facebook/bart-large-mnli")
@@ -11,11 +8,11 @@ classifier = pipeline(task="zero-shot-classification", model="facebook/bart-larg
 # 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
+        return "0.0%", "0.0%", "0.0%"  # Manejar el caso donde no hay textos para analizar
 
     positive, negative, neutral = 0, 0, 0
     for text in texts:
-        results = classifier(text, candidate_labels=["positive", "negative", "neutral"], multi_label=True)
+        results = classifier(text, ["positive", "negative", "neutral"], multi_label=True)
         mx = max(results['scores'])
         ind = results['scores'].index(mx)
         result = results['labels'][ind]
@@ -29,23 +26,7 @@ def analyze_sentiments(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
-    labels = 'Positivo', 'Negativo', 'Neutral'
-    sizes = [positive_percent, negative_percent, neutral_percent]
-    colors = ['#ff9999','#66b3ff','#99ff99']
-    fig, ax = plt.subplots()
-    ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
-    ax.axis('equal')  # Para asegurar que el pie sea circular
-
-    # Guardar el gráfico en un buffer de memoria
-    buf = io.BytesIO()
-    plt.savefig(buf, format='png')
-    buf.seek(0)
-    img_base64 = base64.b64encode(buf.read()).decode('utf-8')
-    buf.close()
-
-    return f"{positive_percent}%", f"{negative_percent}%", f"{neutral_percent}%", img_base64
+    return f"{positive_percent}%", f"{negative_percent}%", f"{neutral_percent}%"
 
 # Función para cargar el archivo CSV y analizar los primeros 100 comentarios
 def analyze_sentiment_from_csv(file):
@@ -56,9 +37,9 @@ def analyze_sentiment_from_csv(file):
         texts = df['content'].head(100).tolist()  # Tomar solo los primeros 100 comentarios
         return analyze_sentiments(texts)
     except pd.errors.ParserError as e:
-        return f"Error al analizar el archivo CSV: {e}", "", "", None
+        return f"Error al analizar el archivo CSV: {e}", "", ""
     except Exception as e:
-        return f"Error inesperado: {e}", "", "", None
+        return f"Error inesperado: {e}", "", ""
 
 # Configurar la interfaz de Gradio
 demo = gr.Interface(
@@ -67,14 +48,12 @@ demo = gr.Interface(
     outputs=[
         gr.Textbox(label="Porcentaje Positivo"),
         gr.Textbox(label="Porcentaje Negativo"),
-        gr.Textbox(label="Porcentaje Neutro"),
-        gr.Image(label="Gráfico de Resultados")  # Añadir un output para el gráfico
+        gr.Textbox(label="Porcentaje Neutro")
     ],
     title="Analizador de Sentimientos V.2",
-    description="Porcentaje de comentarios positivos, negativos y neutrales"
+   	description="Porcentaje de comentarios positivos, negativos y neutrales"
 )
 
 demo.launch(share=True)
 
 
-