Spaces:
Sleeping
Sleeping
File size: 113,885 Bytes
e0fbfa8 71817ec e807159 49813d2 070ced0 e807159 71817ec 519b16c da8be82 47688e3 e807159 200c178 e807159 0a7da9a e807159 200c178 e807159 7b85b77 e807159 7b85b77 9e53850 71817ec e807159 91c12d2 e807159 9e53850 d76e431 9e53850 e807159 9e53850 e807159 9e53850 200c178 e807159 200c178 d400752 e807159 070ced0 e807159 7b85b77 9e53850 e807159 7b85b77 9e53850 e807159 9e53850 e807159 9e53850 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 d400752 e807159 200c178 d400752 200c178 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 200c178 e807159 200c178 e807159 200c178 7b85b77 200c178 e807159 200c178 e807159 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 0c64359 e807159 0c64359 7b85b77 38a3c2a e807159 38a3c2a e807159 38a3c2a 7b85b77 05a8e19 e807159 7b85b77 e807159 d76e431 7b85b77 e807159 38a3c2a 7b85b77 e807159 38a3c2a e807159 38a3c2a 7b85b77 e807159 38a3c2a 9e53850 38a3c2a d400752 7b85b77 e807159 d76e431 e807159 d76e431 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 200c178 e807159 200c178 e807159 200c178 e807159 200c178 7b85b77 e807159 200c178 e807159 200c178 e807159 200c178 7b85b77 e807159 200c178 e807159 200c178 d76e431 200c178 7b85b77 200c178 7b85b77 e807159 200c178 e807159 200c178 7b85b77 e807159 9e53850 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 9e53850 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 200c178 e807159 200c178 7b85b77 e807159 7b85b77 e807159 200c178 e807159 200c178 7b85b77 e807159 200c178 e807159 200c178 e807159 200c178 e807159 200c178 7b85b77 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 9e53850 e807159 7b85b77 e807159 7b85b77 200c178 e807159 d400752 7b85b77 e807159 d400752 e807159 d400752 e807159 d400752 7b85b77 d400752 7b85b77 e807159 d400752 e807159 d400752 e807159 7b85b77 e807159 200c178 e807159 200c178 d400752 200c178 7b85b77 e807159 d400752 e807159 200c178 7b85b77 200c178 7b85b77 200c178 e807159 200c178 e807159 200c178 7b85b77 200c178 d400752 7b85b77 200c178 e807159 9e53850 e807159 9e53850 e807159 9e53850 7b85b77 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 200c178 e807159 200c178 7b85b77 200c178 7b85b77 200c178 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 200c178 1f4c65a 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 0c81300 7b85b77 0c81300 b7d6158 7b85b77 b7d6158 7b85b77 b7d6158 7b85b77 b7d6158 7b85b77 2df6899 e807159 550ed22 e807159 1f4c65a 7b85b77 e807159 9e53850 e807159 1f4c65a e807159 7b85b77 1f4c65a b5cb432 e807159 200c178 1f4c65a 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 1f4c65a 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 200c178 7b85b77 e807159 7b85b77 d76e431 e807159 7b85b77 3f3c1c6 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 200c178 e807159 200c178 e807159 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 200c178 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 3f3c1c6 7b85b77 e807159 7b85b77 e807159 d76e431 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 05a8e19 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 7b85b77 e807159 27dfd73 d76e431 200c178 5f7518b 200c178 e807159 200c178 e807159 200c178 7b85b77 e807159 1f4c65a e531de6 200c178 e807159 1524a9d e807159 e531de6 1524a9d d76e431 1524a9d e531de6 1524a9d e295e71 7b85b77 e295e71 200c178 e295e71 1524a9d e295e71 1524a9d e295e71 91c12d2 e295e71 e531de6 e295e71 e531de6 e295e71 e807159 e295e71 e807159 d76e431 e807159 e295e71 3f3c1c6 e295e71 e807159 200c178 e807159 3f3c1c6 e807159 7b85b77 e807159 7b85b77 200c178 e807159 e295e71 e807159 e295e71 e807159 e295e71 e807159 e295e71 e807159 d76e431 e807159 e295e71 e807159 e531de6 e295e71 e807159 d76e431 e295e71 e807159 200c178 e807159 200c178 e807159 200c178 e295e71 e807159 e295e71 e807159 d76e431 e295e71 e807159 d76e431 e295e71 e807159 deddc0a e807159 d76e431 e295e71 e807159 e295e71 e807159 e295e71 e807159 e295e71 e807159 e295e71 e807159 e295e71 e807159 7b85b77 200c178 e295e71 200c178 e295e71 32ffd0d 9bda929 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 |
import numpy as np
import pandas as pd
import statsmodels.formula.api as smf
import statsmodels.api as sm
import plotly.graph_objects as go
import plotly.figure_factory as ff
import plotly.express as px
from scipy.optimize import minimize
from scipy.stats import t, f, gaussian_kde
import gradio as gr
import io
import zipfile
import tempfile
from datetime import datetime
import docx
from docx.shared import Inches, Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import os
import json
from sklearn.linear_model import Ridge, Lasso, ElasticNet
from sklearn.model_selection import cross_val_score, KFold
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from skopt import gp_minimize
from skopt.space import Real
from skopt.plots import plot_convergence
from skopt.utils import use_named_args
import matplotlib
matplotlib.use('Agg') # Configurar backend no interactivo
import matplotlib.pyplot as plt
from matplotlib.colors import to_hex
import seaborn as sns
from statsmodels.stats.outliers_influence import variance_inflation_factor
import concurrent.futures
from joblib import Parallel, delayed
import multiprocessing
from itertools import combinations
import pyDOE2
# Variable global para almacenar la instancia de RSM_BoxBehnken
rsm = None
# --- Clase RSM_BoxBehnken Mejorada (Soporta k factores) ---
class RSM_BoxBehnken:
def __init__(self, factor_names, y_name, levels, n0=1, data=None, decimal_places=3):
"""
Inicializa la clase para k factores.
:param factor_names: Lista de nombres de factores
:param y_name: Nombre de la variable de respuesta
:param levels: Lista de tuplas (bajo, alto) para cada factor
:param n0: Número de puntos centrales
:param data: Datos opcionales (si no se proporciona, se genera el diseño)
:param decimal_places: Número de decimales para mostrar
"""
self.factor_names = factor_names
self.k = len(factor_names)
self.y_name = y_name
self.levels = levels
self.n0 = n0
self.decimal_places = decimal_places
if data is None:
self.data = self.generate_design()
else:
self.data = data.copy()
# Crear términos cuadráticos e interacciones
self.create_terms()
self.model = None
self.model_simplified = None
self.optimized_results = None
self.optimal_levels = None
self.all_figures = [] # Lista para almacenar las figuras
self.diagnostic_figures = [] # Nuevas figuras de diagnóstico
self.current_configuration = {
'colorscale': 'Viridis',
'opacity': 0.7,
'show_grid': True,
'show_points': True,
'contour_levels': 10,
'decimal_places': decimal_places,
'pareto_statistic': 'F' # 't' o 'F'
}
# Para cómputo paralelo
self.n_jobs = max(1, multiprocessing.cpu_count() - 1)
def generate_design(self):
"""Genera el diseño Box-Behnken usando pyDOE2"""
try:
design = pyDOE2.bbdesign(self.k, center=self.n0)
df = pd.DataFrame(design, columns=self.factor_names)
# Agregar columna de experimento
df.insert(0, 'Exp.', range(1, len(df)+1))
# Agregar columna para la respuesta
df[self.y_name] = np.nan
return df
except Exception as e:
raise ValueError(f"Error al generar el diseño Box-Behnken para {self.k} factores: {str(e)}")
def create_terms(self):
"""Crea términos cuadráticos e interacciones dinámicamente"""
# Términos cuadráticos
for factor in self.factor_names:
self.data[f'{factor}_sq'] = self.data[factor] ** 2
# Interacciones de 2 factores
for factor1, factor2 in combinations(self.factor_names, 2):
self.data[f'{factor1}_{factor2}'] = self.data[factor1] * self.data[factor2]
def update_factors(self, new_factor_names, new_levels):
"""
Actualiza los nombres y niveles de los factores dinámicamente
:param new_factor_names: Nueva lista de nombres de factores
:param new_levels: Nueva lista de tuplas (bajo, alto) para cada factor
"""
# Actualizar propiedades
self.factor_names = new_factor_names
self.k = len(new_factor_names)
self.levels = new_levels
# Actualizar nombres de columnas en el DataFrame
rename_dict = {}
for i, (old_name, new_name) in enumerate(zip(self.factor_names, new_factor_names)):
if old_name != new_name:
rename_dict[old_name] = new_name
rename_dict[f'{old_name}_sq'] = f'{new_name}_sq'
# Actualizar interacciones
for j, other in enumerate(self.factor_names):
if i != j:
old_interaction = f'{old_name}_{other}' if old_name < other else f'{other}_{old_name}'
new_interaction = f'{new_name}_{new_factor_names[j]}' if new_name < new_factor_names[j] else f'{new_factor_names[j]}_{new_name}'
rename_dict[old_interaction] = new_interaction
if rename_dict:
self.data = self.data.rename(columns=rename_dict)
# Recrear términos (por si hubo cambios en interacciones)
self.create_terms()
return "Factores actualizados exitosamente"
def update_levels(self, new_levels):
"""
Actualiza los niveles de los factores dinámicamente
:param new_levels: Nueva lista de tuplas (bajo, alto) para cada factor
"""
if len(new_levels) != len(self.levels):
return "Error: Número de niveles no coincide con número de factores"
self.levels = new_levels
return "Niveles actualizados exitosamente"
def update_configuration(self, colorscale, opacity, show_grid, show_points, contour_levels, decimal_places, pareto_statistic):
"""Actualiza la configuración de visualización y regenera todos los gráficos"""
self.current_configuration = {
'colorscale': colorscale,
'opacity': opacity,
'show_grid': show_grid,
'show_points': show_points,
'contour_levels': contour_levels,
'decimal_places': int(decimal_places),
'pareto_statistic': pareto_statistic
}
# Regenerar todos los gráficos con la nueva configuración
if self.model_simplified is not None:
self.generate_all_plots()
self.plot_diagnostics()
return "Configuración actualizada correctamente. Todos los gráficos han sido regenerados."
def get_levels(self, factor_idx):
"""
Obtiene los niveles para un factor específico.
"""
if 0 <= factor_idx < len(self.levels):
return self.levels[factor_idx]
else:
raise ValueError(f"Índice de factor fuera de rango: {factor_idx}")
def natural_to_coded(self, natural_value, factor_idx):
"""Convierte valores naturales a codificados"""
low, high = self.levels[factor_idx]
return -1 + 2 * (natural_value - low) / (high - low)
def coded_to_natural(self, coded_value, factor_idx):
"""Convierte valores codificados a naturales"""
low, high = self.levels[factor_idx]
return low + (coded_value + 1) * (high - low) / 2
def fit_model(self):
"""
Ajusta el modelo de segundo orden completo a los datos.
"""
# Términos lineales
linear_terms = " + ".join(self.factor_names)
# Términos cuadráticos
quadratic_terms = " + ".join([f"{factor}_sq" for factor in self.factor_names])
# Términos de interacción
interaction_terms = []
for i in range(len(self.factor_names)):
for j in range(i+1, len(self.factor_names)):
interaction_terms.append(f"{self.factor_names[i]}_{self.factor_names[j]}")
interaction_terms_str = " + ".join(interaction_terms)
formula = f'{self.y_name} ~ {linear_terms} + {quadratic_terms} + {interaction_terms_str}'
self.model = smf.ols(formula, data=self.data).fit()
print("Modelo Completo:")
print(self.model.summary())
return self.model, self.pareto_chart(self.model, "Pareto - Modelo Completo")
def fit_simplified_model(self):
"""
Ajusta el modelo de segundo orden a los datos, eliminando términos no significativos.
Para k factores, usamos un modelo que incluye términos lineales y cuadráticos.
"""
# Términos lineales
linear_terms = " + ".join(self.factor_names)
# Términos cuadráticos
quadratic_terms = " + ".join([f"{factor}_sq" for factor in self.factor_names])
formula = f'{self.y_name} ~ {linear_terms} + {quadratic_terms}'
self.model_simplified = smf.ols(formula, data=self.data).fit()
print("\nModelo Simplificado:")
print(self.model_simplified.summary())
return self.model_simplified, self.pareto_chart(self.model_simplified, "Pareto - Modelo Simplificado")
def fit_ridge_regression(self, alpha=1.0):
"""
Ajusta un modelo Ridge Regression.
"""
# Preparar datos
X_cols = self.factor_names + [f"{factor}_sq" for factor in self.factor_names]
X = self.data[X_cols]
y = self.data[self.y_name]
# Ajustar modelo Ridge
self.ridge_model = Ridge(alpha=alpha).fit(X, y)
# Calcular métricas
r2 = self.ridge_model.score(X, y)
mse = np.mean((y - self.ridge_model.predict(X))**2)
# Crear tabla de coeficientes
coef_df = pd.DataFrame({
'Variable': X.columns,
'Coeficiente': self.ridge_model.coef_
})
return coef_df, r2, mse
def fit_lasso_regression(self, alpha=0.1):
"""
Ajusta un modelo LASSO Regression.
"""
# Preparar datos
X_cols = self.factor_names + [f"{factor}_sq" for factor in self.factor_names]
X = self.data[X_cols]
y = self.data[self.y_name]
# Ajustar modelo LASSO
self.lasso_model = Lasso(alpha=alpha, max_iter=10000).fit(X, y)
# Calcular métricas
r2 = self.lasso_model.score(X, y)
mse = np.mean((y - self.lasso_model.predict(X))**2)
# Crear tabla de coeficientes
coef_df = pd.DataFrame({
'Variable': X.columns,
'Coeficiente': self.lasso_model.coef_
})
return coef_df, r2, mse
def fit_elasticnet_regression(self, alpha=0.1, l1_ratio=0.5):
"""
Ajusta un modelo ElasticNet Regression.
"""
# Preparar datos
X_cols = self.factor_names + [f"{factor}_sq" for factor in self.factor_names]
X = self.data[X_cols]
y = self.data[self.y_name]
# Ajustar modelo ElasticNet
self.elasticnet_model = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, max_iter=10000).fit(X, y)
# Calcular métricas
r2 = self.elasticnet_model.score(X, y)
mse = np.mean((y - self.elasticnet_model.predict(X))**2)
# Crear tabla de coeficientes
coef_df = pd.DataFrame({
'Variable': X.columns,
'Coeficiente': self.elasticnet_model.coef_
})
return coef_df, r2, mse
def perform_pca(self):
"""
Realiza un análisis de componentes principales.
"""
# Preparar datos
X = self.data[self.factor_names]
X_scaled = StandardScaler().fit_transform(X)
# Ajustar PCA
self.pca_model = PCA(n_components=min(2, self.k)) # Usar 2 componentes si k >= 2
X_pca = self.pca_model.fit_transform(X_scaled)
# Crear tabla de resultados
pca_df = pd.DataFrame(X_pca, columns=[f'PC{i+1}' for i in range(X_pca.shape[1])])
pca_df[self.y_name] = self.data[self.y_name].values
# Crear tabla de carga
loading_df = pd.DataFrame(
self.pca_model.components_.T,
columns=[f'PC{i+1}' for i in range(X_pca.shape[1])],
index=self.factor_names
)
# Varianza explicada
explained_variance = self.pca_model.explained_variance_ratio_
return pca_df, loading_df, explained_variance
def plot_pca(self):
"""
Genera un gráfico de PCA con puntos de datos y vectores de carga.
"""
try:
pca_df, loading_df, explained_variance = self.perform_pca()
# Validar que tenemos datos
if pca_df.empty:
raise ValueError("No se pudieron generar componentes principales")
# Crear el gráfico
fig = go.Figure()
# Determinar número de componentes disponibles
n_components = min(self.k, len(explained_variance))
has_pc2 = n_components >= 2 and 'PC2' in pca_df.columns
# Puntos de datos
fig.add_trace(go.Scatter(
x=pca_df['PC1'],
y=pca_df['PC2'] if has_pc2 else [0] * len(pca_df),
mode='markers',
marker=dict(
size=10,
color=self.data[self.y_name],
colorscale=self.current_configuration.get('colorscale', 'Viridis'),
colorbar=dict(title=self.y_name),
showscale=True
),
text=[f"{self.y_name}: {y:.{self.current_configuration.get('decimal_places', 2)}f}"
for y in self.data[self.y_name]],
hoverinfo='text',
name='Datos'
))
# Vectores de carga (solo si hay componentes y modelo PCA disponible)
if hasattr(self, 'pca_model') and self.pca_model is not None and n_components >= 1:
# Escalar los vectores para mejor visualización
scale_factor = 3 # Ajustar según necesidad
for i, var in enumerate(self.factor_names):
if i < self.pca_model.components_.shape[1]: # Verificar que el índice sea válido
pc1_loading = self.pca_model.components_[0, i] * scale_factor
pc2_loading = (self.pca_model.components_[1, i] * scale_factor
if has_pc2 else 0)
fig.add_trace(go.Scatter(
x=[0, pc1_loading],
y=[0, pc2_loading],
mode='lines+markers',
line=dict(width=2, color='red'),
marker=dict(size=6),
name=f'Loading: {var}',
showlegend=True
))
# Añadir etiquetas a los vectores
fig.add_annotation(
x=pc1_loading,
y=pc2_loading,
text=var,
showarrow=False,
font=dict(size=10),
xshift=10,
yshift=10
)
# Configuración del título con varianza explicada
decimal_places = self.current_configuration.get('decimal_places', 2)
if len(explained_variance) > 0:
var_explained = []
for i in range(min(2, len(explained_variance))): # Solo mostrar PC1 y PC2
component_num = i + 1
variance_pct = explained_variance[i] * 100
var_explained.append(f"PC{component_num}: {variance_pct:.{decimal_places}f}%")
title = f'Análisis de Componentes Principales - Varianza Explicada: {", ".join(var_explained)}'
else:
title = 'Análisis de Componentes Principales'
# Layout del gráfico
fig.update_layout(
title=title,
xaxis_title=(f'Componente Principal 1 ({explained_variance[0]*100:.{decimal_places}f}% varianza)'
if len(explained_variance) > 0
else 'Componente Principal 1'),
yaxis_title=(f'Componente Principal 2 ({explained_variance[1]*100:.{decimal_places}f}% varianza)'
if has_pc2 and len(explained_variance) > 1
else 'Componente Principal 2'),
height=600,
width=800,
showlegend=True,
hovermode='closest',
# Añadir líneas de referencia en el origen
shapes=[
dict(type="line", x0=0, y0=0, x1=0, y1=0,
line=dict(color="black", width=1, dash="dash")),
]
)
# Asegurar que los ejes tengan la misma escala para interpretación correcta
fig.update_xaxes(zeroline=True, zerolinewidth=1, zerolinecolor='black')
fig.update_yaxes(zeroline=True, zerolinewidth=1, zerolinecolor='black')
return fig
except Exception as e:
# En caso de error, crear un gráfico simple con mensaje de error
fig = go.Figure()
fig.add_annotation(
text=f"Error al generar PCA: {str(e)}",
xref="paper", yref="paper",
x=0.5, y=0.5,
showarrow=False,
font=dict(size=16, color="red")
)
fig.update_layout(
title="Error en PCA",
height=400,
width=600
)
return fig
def optimize(self, method='Nelder-Mead'):
"""
Encuentra los niveles óptimos de los factores para maximizar la respuesta usando el modelo simplificado.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
def objective_function(x):
# Crear un DataFrame con los valores codificados
pred_data = {}
for i, factor in enumerate(self.factor_names):
pred_data[factor] = [x[i]]
pred_data[f'{factor}_sq'] = [x[i]**2]
return -self.model_simplified.predict(pd.DataFrame(pred_data)).values[0]
# Crear límites dinámicamente
bounds = [(-1, 1) for _ in range(self.k)]
x0 = [0] * self.k
# Optimizar
self.optimized_results = minimize(objective_function, x0, method=method, bounds=bounds)
self.optimal_levels = self.optimized_results.x
# Convertir niveles óptimos de codificados a naturales
optimal_levels_natural = [
self.coded_to_natural(self.optimal_levels[i], i) for i in range(self.k)
]
# Crear la tabla de optimización
optimization_table = pd.DataFrame({
'Variable': self.factor_names,
'Nivel Óptimo (Natural)': optimal_levels_natural,
'Nivel Óptimo (Codificado)': self.optimal_levels
})
return optimization_table.round(self.current_configuration['decimal_places'])
def optimize_bayesian(self, n_calls=20):
"""
Encuentra los niveles óptimos usando optimización bayesiana con paralelización.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# Definir el espacio de búsqueda
space = [Real(-1, 1, name=factor) for factor in self.factor_names]
@use_named_args(space)
def objective(**params):
x = np.array([params[factor] for factor in self.factor_names])
# Crear un DataFrame con los valores codificados
pred_data = {}
for i, factor in enumerate(self.factor_names):
pred_data[factor] = [x[i]]
pred_data[f'{factor}_sq'] = [x[i]**2]
return -self.model_simplified.predict(pd.DataFrame(pred_data)).values[0]
# Ejecutar optimización bayesiana con paralelización
res = gp_minimize(
objective,
space,
n_calls=n_calls,
random_state=0,
n_initial_points=5,
n_jobs=self.n_jobs # Paralelización
)
# Almacenar resultados
self.optimization_history = res
# Convertir niveles óptimos de codificados a naturales
optimal_levels_natural = [
self.coded_to_natural(res.x[i], i) for i in range(self.k)
]
# Crear la tabla de optimización
optimization_table = pd.DataFrame({
'Variable': self.factor_names,
'Nivel Óptimo (Natural)': optimal_levels_natural,
'Nivel Óptimo (Codificado)': res.x
})
# Obtener la figura de convergencia
ax = plot_convergence(res)
fig = ax.get_figure()
plt.close(fig) # Cerrar la figura para liberar memoria
return optimization_table.round(self.current_configuration['decimal_places']), fig
def optimize_pso(self, n_particles=30, max_iter=50):
"""
Encuentra los niveles óptimos usando Particle Swarm Optimization con evaluación paralela.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# Función objetivo para una partícula
def objective(x):
# Crear un DataFrame con los valores codificados
pred_data = {}
for i, factor in enumerate(self.factor_names):
pred_data[factor] = [x[i]]
pred_data[f'{factor}_sq'] = [x[i]**2]
return -self.model_simplified.predict(pd.DataFrame(pred_data)).values[0]
# Parámetros PSO
w = 0.5
c1 = 0.8
c2 = 0.9
# Inicializar partículas
particles = np.random.uniform(-1, 1, (n_particles, self.k))
velocities = np.random.uniform(-0.1, 0.1, (n_particles, self.k))
personal_best = particles.copy()
# Evaluar partículas inicialmente con paralelización
with concurrent.futures.ThreadPoolExecutor(max_workers=self.n_jobs) as executor:
personal_best_fitness = list(executor.map(objective, particles))
personal_best_fitness = np.array(personal_best_fitness)
# Encontrar la mejor partícula global
global_best_idx = np.argmin(personal_best_fitness)
global_best = particles[global_best_idx].copy()
global_best_fitness = personal_best_fitness[global_best_idx]
# Almacenar historia para visualización
history = []
# Optimización
for _ in range(max_iter):
# Actualizar velocidades y posiciones
for i in range(n_particles):
r1, r2 = np.random.rand(2)
velocities[i] = (w * velocities[i] +
c1 * r1 * (personal_best[i] - particles[i]) +
c2 * r2 * (global_best - particles[i]))
particles[i] += velocities[i]
particles[i] = np.clip(particles[i], -1, 1)
# Evaluar nuevas posiciones con paralelización
with concurrent.futures.ThreadPoolExecutor(max_workers=self.n_jobs) as executor:
fitness_values = list(executor.map(objective, particles))
fitness_values = np.array(fitness_values)
# Actualizar mejores valores
improved = fitness_values < personal_best_fitness
personal_best[improved] = particles[improved]
personal_best_fitness[improved] = fitness_values[improved]
# Actualizar mejor global
if np.min(fitness_values) < global_best_fitness:
global_best_idx = np.argmin(fitness_values)
global_best = particles[global_best_idx].copy()
global_best_fitness = fitness_values[global_best_idx]
# Almacenar estado actual para visualización
history.append({
'particles': particles.copy(),
'global_best': global_best.copy(),
'global_best_fitness': global_best_fitness
})
# Convertir niveles óptimos de codificados a naturales
optimal_levels_natural = [
self.coded_to_natural(global_best[i], i) for i in range(self.k)
]
# Crear la tabla de optimización
optimization_table = pd.DataFrame({
'Variable': self.factor_names,
'Nivel Óptimo (Natural)': optimal_levels_natural,
'Nivel Óptimo (Codificado)': global_best
})
# Crear gráfico de la evolución
fig = go.Figure()
# Para visualización 3D si hay al menos 3 factores, o 2D si hay 2 factores
if self.k >= 3:
# Añadir trayectorias de partículas
for i in range(0, len(history), max(1, len(history)//10)):
for j in range(n_particles):
if i > 0:
fig.add_trace(go.Scatter3d(
x=[history[i-1]['particles'][j, 0], history[i]['particles'][j, 0]],
y=[history[i-1]['particles'][j, 1], history[i]['particles'][j, 1]],
z=[history[i-1]['particles'][j, 2], history[i]['particles'][j, 2]],
mode='lines',
line=dict(color='gray', width=2),
showlegend=False,
hoverinfo='skip'
))
# Añadir posición final de partículas
fig.add_trace(go.Scatter3d(
x=history[-1]['particles'][:, 0],
y=history[-1]['particles'][:, 1],
z=history[-1]['particles'][:, 2],
mode='markers',
marker=dict(size=4, color='blue'),
name='Partículas finales'
))
# Añadir mejor solución global
fig.add_trace(go.Scatter3d(
x=[global_best[0]],
y=[global_best[1]],
z=[global_best[2]],
mode='markers',
marker=dict(size=6, color='red'),
name='Mejor solución'
))
fig.update_layout(
scene=dict(
xaxis_title=self.factor_names[0],
yaxis_title=self.factor_names[1],
zaxis_title=self.factor_names[2],
),
title='Evolución de la Optimización con PSO',
height=700
)
elif self.k == 2:
# Visualización 2D para 2 factores
for i in range(0, len(history), max(1, len(history)//10)):
for j in range(n_particles):
if i > 0:
fig.add_trace(go.Scatter(
x=[history[i-1]['particles'][j, 0], history[i]['particles'][j, 0]],
y=[history[i-1]['particles'][j, 1], history[i]['particles'][j, 1]],
mode='lines',
line=dict(color='gray', width=1),
showlegend=False,
hoverinfo='skip'
))
# Añadir posición final de partículas
fig.add_trace(go.Scatter(
x=history[-1]['particles'][:, 0],
y=history[-1]['particles'][:, 1],
mode='markers',
marker=dict(size=6, color='blue'),
name='Partículas finales'
))
# Añadir mejor solución global
fig.add_trace(go.Scatter(
x=[global_best[0]],
y=[global_best[1]],
mode='markers',
marker=dict(size=8, color='red', symbol='star'),
name='Mejor solución'
))
fig.update_layout(
xaxis_title=self.factor_names[0],
yaxis_title=self.factor_names[1],
title='Evolución de la Optimización con PSO',
height=600
)
else:
# Visualización 1D para 1 factor (no es común en RSM, pero por completitud)
for j in range(n_particles):
x_positions = [history[i]['particles'][j, 0] for i in range(len(history))]
fig.add_trace(go.Scatter(
x=list(range(len(history))),
y=x_positions,
mode='lines+markers',
line=dict(width=1),
marker=dict(size=4),
showlegend=False
))
# Añadir mejor solución global
fig.add_hline(y=global_best[0], line_color='red', line_width=2,
annotation_text=f'Mejor solución: {global_best[0]:.4f}',
annotation_position='top right')
fig.update_layout(
xaxis_title='Iteración',
yaxis_title=self.factor_names[0],
title='Evolución de la Optimización con PSO',
height=400
)
return optimization_table.round(self.current_configuration['decimal_places']), fig
def calculate_vif(self):
"""
Calcula el Factor de Inflación de Varianza (VIF) para detectar multicolinealidad.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# Variables predictoras
X_cols = self.factor_names + [f"{factor}_sq" for factor in self.factor_names]
X = self.data[X_cols]
# Calcular VIF para cada variable
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
return vif_data
def plot_diagnostics(self):
"""
Genera gráficos de diagnóstico del modelo.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return []
# Calcular residuos y valores ajustados
fitted = self.model_simplified.fittedvalues
residuals = self.model_simplified.resid
standardized_residuals = residuals / np.sqrt(self.model_simplified.mse_resid)
leverage = self.model_simplified.get_influence().hat_matrix_diag
# 1. Residuos vs Valores Ajustados
fig1 = go.Figure()
fig1.add_trace(go.Scatter(
x=fitted,
y=residuals,
mode='markers',
marker=dict(
color='blue',
size=8,
opacity=0.7
)
))
fig1.add_hline(y=0, line_dash="dash", line_color="red")
fig1.update_layout(
title=f'Residuos vs Valores Ajustados ({self.current_configuration["decimal_places"]} decimales)',
xaxis_title='Valores Ajustados',
yaxis_title='Residuos',
height=400
)
# 2. Q-Q Plot
sorted_residuals = np.sort(residuals)
n = len(sorted_residuals)
theoretical_quantiles = t.ppf(np.arange(0.5, n)/n, df=self.model_simplified.df_resid)
fig2 = go.Figure()
fig2.add_trace(go.Scatter(
x=theoretical_quantiles,
y=sorted_residuals,
mode='markers',
marker=dict(
color='blue',
size=8,
opacity=0.7
)
))
# Línea de referencia
min_val = min(min(theoretical_quantiles), min(sorted_residuals))
max_val = max(max(theoretical_quantiles), max(sorted_residuals))
fig2.add_trace(go.Scatter(
x=[min_val, max_val],
y=[min_val, max_val],
mode='lines',
line=dict(color='red', dash='dash'),
name='Línea de referencia'
))
fig2.update_layout(
title=f'Q-Q Plot de Residuos ({self.current_configuration["decimal_places"]} decimales)',
xaxis_title='Cuantiles Teóricos',
yaxis_title='Cuantiles de Residuos',
height=400
)
# 3. Gráfico de Influencia (Leverage vs Residuos Estándar)
fig3 = go.Figure()
fig3.add_trace(go.Scatter(
x=leverage,
y=standardized_residuals,
mode='markers',
marker=dict(
color='blue',
size=8,
opacity=0.7
),
text=self.data.index,
hoverinfo='text+x+y'
))
# Líneas de referencia
fig3.add_hline(y=0, line_dash="dash", line_color="red")
fig3.add_vline(x=3*self.model_simplified.df_model/len(self.data),
line_dash="dash", line_color="green",
annotation_text="Límite Leverage")
fig3.update_layout(
title=f'Gráfico de Influencia ({self.current_configuration["decimal_places"]} decimales)',
xaxis_title='Leverage',
yaxis_title='Residuos Estándar',
height=400
)
# 4. Gráfico de Escala-Localización
sqrt_abs_standardized_residuals = np.sqrt(np.abs(standardized_residuals))
fig4 = go.Figure()
fig4.add_trace(go.Scatter(
x=fitted,
y=sqrt_abs_standardized_residuals,
mode='markers',
marker=dict(
color='blue',
size=8,
opacity=0.7
)
))
fig4.update_layout(
title=f'Gráfico de Escala-Localización ({self.current_configuration["decimal_places"]} decimales)',
xaxis_title='Valores Ajustados',
yaxis_title='√|Residuos Estándar|',
height=400
)
self.diagnostic_figures = [fig1, fig2, fig3, fig4]
return self.diagnostic_figures
def calculate_cross_validation(self, cv_folds=5):
"""
Calcula métricas de validación cruzada para el modelo.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# Preparar datos
X_cols = self.factor_names + [f"{factor}_sq" for factor in self.factor_names]
X = self.data[X_cols]
y = self.data[self.y_name]
# Crear los folds
kf = KFold(n_splits=cv_folds, shuffle=True, random_state=42)
# Almacenar los resultados
r2_scores = []
mse_scores = []
# Realizar la validación cruzada
for train_index, test_index in kf.split(X):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]
# Crear un DataFrame para el ajuste del modelo
train_data = X_train.copy()
train_data[self.y_name] = y_train
# Términos lineales
linear_terms = " + ".join(self.factor_names)
# Términos cuadráticos
quadratic_terms = " + ".join([f"{factor}_sq" for factor in self.factor_names])
formula = f'{self.y_name} ~ {linear_terms} + {quadratic_terms}'
model = smf.ols(formula, data=train_data).fit()
# Predecir en los datos de prueba
y_pred = model.predict(X_test)
# Calcular R²
ss_total = np.sum((y_test - np.mean(y_test))**2)
ss_residual = np.sum((y_test - y_pred)**2)
r2 = 1 - (ss_residual / ss_total)
r2_scores.append(r2)
# Calcular MSE
mse = np.mean((y_test - y_pred)**2)
mse_scores.append(mse)
# Crear tabla de resultados
cv_results = pd.DataFrame({
'Fold': range(1, cv_folds+1),
'R²': r2_scores,
'MSE': mse_scores
})
# Agregar promedio
cv_results.loc['Promedio'] = ['Promedio', np.mean(r2_scores), np.mean(mse_scores)]
return cv_results
def plot_contour_individual(self, fixed_factors_idx, fixed_levels, contour_levels=None):
"""
Genera un gráfico de contorno para una configuración específica.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
if contour_levels is None:
contour_levels = self.current_configuration['contour_levels']
# Determinar las variables que varían (todas excepto las fijas)
varying_indices = [i for i in range(self.k) if i not in fixed_factors_idx]
if len(varying_indices) != 2:
print("Error: Se necesitan exactamente 2 variables para un gráfico de contorno.")
return None
# Obtener nombres de variables
varying_names = [self.factor_names[i] for i in varying_indices]
fixed_names = [self.factor_names[i] for i in fixed_factors_idx]
# Establecer los niveles naturales para las variables que varían
x_natural_levels = self.get_levels(varying_indices[0])
y_natural_levels = self.get_levels(varying_indices[1])
# Crear una malla de puntos para las variables que varían (en unidades naturales)
x_range_natural = np.linspace(x_natural_levels[0], x_natural_levels[1], 100)
y_range_natural = np.linspace(y_natural_levels[0], y_natural_levels[1], 100)
x_grid_natural, y_grid_natural = np.meshgrid(x_range_natural, y_range_natural)
# Convertir la malla de variables naturales a codificadas
x_grid_coded = self.natural_to_coded(x_grid_natural, varying_indices[0])
y_grid_coded = self.natural_to_coded(y_grid_natural, varying_indices[1])
# Crear un DataFrame para la predicción con variables codificadas
prediction_data = pd.DataFrame({
varying_names[0]: x_grid_coded.flatten(),
varying_names[1]: y_grid_coded.flatten(),
})
# Agregar las variables fijas en codificado
for i, fixed_idx in enumerate(fixed_factors_idx):
fixed_level = fixed_levels[i]
fixed_name = self.factor_names[fixed_idx]
fixed_level_coded = self.natural_to_coded(fixed_level, fixed_idx)
prediction_data[fixed_name] = fixed_level_coded
# Agregar términos cuadráticos
for factor in self.factor_names:
prediction_data[f'{factor}_sq'] = prediction_data[factor] ** 2
# Calcular los valores predichos
z_pred = self.model_simplified.predict(prediction_data).values.reshape(x_grid_coded.shape)
# Filtrar los datos experimentales que coincidan con los niveles fijos
subset_data = self.data.copy()
for i, fixed_idx in enumerate(fixed_factors_idx):
fixed_level = fixed_levels[i]
fixed_level_coded = self.natural_to_coded(fixed_level, fixed_idx)
# Permitir una pequeña tolerancia para comparación de flotantes
subset_data = subset_data[np.isclose(subset_data[self.factor_names[fixed_idx]],
fixed_level_coded, atol=1e-5)]
# Filtrar por niveles válidos en las variables que varían
experiments_data = subset_data.copy()
for i, var_idx in enumerate(varying_indices):
# Para Box-Behnken, los niveles válidos son -1, 0, 1
valid_levels = [-1, 0, 1]
experiments_data = experiments_data[
experiments_data[self.factor_names[var_idx]].isin(valid_levels)
]
# Convertir coordenadas de experimentos a naturales
experiments_x_natural = experiments_data[varying_names[0]].apply(
lambda x: self.coded_to_natural(x, varying_indices[0])
)
experiments_y_natural = experiments_data[varying_names[1]].apply(
lambda x: self.coded_to_natural(x, varying_indices[1])
)
# Crear el gráfico de contorno
fig = go.Figure()
# Añadir contornos
fig.add_trace(go.Contour(
x=x_grid_natural,
y=y_grid_natural,
z=z_pred,
colorscale=self.current_configuration['colorscale'],
contours=dict(
showlines=True,
coloring='fill',
start=z_pred.min(),
end=z_pred.max(),
size=(z_pred.max() - z_pred.min()) / contour_levels
),
colorbar=dict(title=self.y_name)
))
# Añadir puntos de experimentos
fig.add_trace(go.Scatter(
x=experiments_x_natural,
y=experiments_y_natural,
mode='markers',
marker=dict(
size=10,
color='red',
symbol='circle'
),
text=[f"{y:.{self.current_configuration['decimal_places']}f}"
for y in experiments_data[self.y_name]],
hoverinfo='text'
))
# Añadir etiquetas y título
fixed_info = ", ".join([f"{fixed_names[i]} = {fixed_levels[i]:.{self.current_configuration['decimal_places']}f}"
for i in range(len(fixed_names))])
fig.update_layout(
title=f"{self.y_name} vs {varying_names[0]} y {varying_names[1]}<br><sup>{fixed_info} (Modelo Simplificado)</sup>",
xaxis_title=f"{varying_names[0]}",
yaxis_title=f"{varying_names[1]}",
height=600,
width=800
)
return fig
def plot_rsm_individual(self, fixed_factors_idx, fixed_levels):
"""
Genera un gráfico de superficie de respuesta (RSM) individual para una configuración específica.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# Determinar las variables que varían (todas excepto las fijas)
varying_indices = [i for i in range(self.k) if i not in fixed_factors_idx]
if len(varying_indices) != 2:
print("Error: Se necesitan exactamente 2 variables para un gráfico 3D.")
return None
# Obtener nombres de variables
varying_names = [self.factor_names[i] for i in varying_indices]
fixed_names = [self.factor_names[i] for i in fixed_factors_idx]
# Establecer los niveles naturales para las variables que varían
x_natural_levels = self.get_levels(varying_indices[0])
y_natural_levels = self.get_levels(varying_indices[1])
# Crear una malla de puntos para las variables que varían (en unidades naturales)
x_range_natural = np.linspace(x_natural_levels[0], x_natural_levels[1], 100)
y_range_natural = np.linspace(y_natural_levels[0], y_natural_levels[1], 100)
x_grid_natural, y_grid_natural = np.meshgrid(x_range_natural, y_range_natural)
# Convertir la malla de variables naturales a codificadas
x_grid_coded = self.natural_to_coded(x_grid_natural, varying_indices[0])
y_grid_coded = self.natural_to_coded(y_grid_natural, varying_indices[1])
# Crear un DataFrame para la predicción con variables codificadas
prediction_data = pd.DataFrame({
varying_names[0]: x_grid_coded.flatten(),
varying_names[1]: y_grid_coded.flatten(),
})
# Agregar las variables fijas en codificado
for i, fixed_idx in enumerate(fixed_factors_idx):
fixed_level = fixed_levels[i]
fixed_name = self.factor_names[fixed_idx]
fixed_level_coded = self.natural_to_coded(fixed_level, fixed_idx)
prediction_data[fixed_name] = fixed_level_coded
# Agregar términos cuadráticos
for factor in self.factor_names:
prediction_data[f'{factor}_sq'] = prediction_data[factor] ** 2
# Calcular los valores predichos
z_pred = self.model_simplified.predict(prediction_data).values.reshape(x_grid_coded.shape)
# Filtrar los datos experimentales que coincidan con los niveles fijos
subset_data = self.data.copy()
for i, fixed_idx in enumerate(fixed_factors_idx):
fixed_level = fixed_levels[i]
fixed_level_coded = self.natural_to_coded(fixed_level, fixed_idx)
# Permitir una pequeña tolerancia para comparación de flotantes
subset_data = subset_data[np.isclose(subset_data[self.factor_names[fixed_idx]],
fixed_level_coded, atol=1e-5)]
# Filtrar por niveles válidos en las variables que varían
experiments_data = subset_data.copy()
for i, var_idx in enumerate(varying_indices):
# Para Box-Behnken, los niveles válidos son -1, 0, 1
valid_levels = [-1, 0, 1]
experiments_data = experiments_data[
experiments_data[self.factor_names[var_idx]].isin(valid_levels)
]
# Convertir coordenadas de experimentos a naturales
experiments_x_natural = experiments_data[varying_names[0]].apply(
lambda x: self.coded_to_natural(x, varying_indices[0])
)
experiments_y_natural = experiments_data[varying_names[1]].apply(
lambda x: self.coded_to_natural(x, varying_indices[1])
)
# Crear el gráfico de superficie con variables naturales en los ejes y transparencia
fig = go.Figure(data=[go.Surface(
z=z_pred,
x=x_grid_natural,
y=y_grid_natural,
colorscale=self.current_configuration['colorscale'],
opacity=self.current_configuration['opacity'],
showscale=True
)])
# --- Añadir cuadrícula a la superficie si está habilitado ---
if self.current_configuration['show_grid']:
# Líneas en la dirección x
for i in range(x_grid_natural.shape[0]):
fig.add_trace(go.Scatter3d(
x=x_grid_natural[i, :],
y=y_grid_natural[i, :],
z=z_pred[i, :],
mode='lines',
line=dict(color='gray', width=2),
showlegend=False,
hoverinfo='skip'
))
# Líneas en la dirección y
for j in range(x_grid_natural.shape[1]):
fig.add_trace(go.Scatter3d(
x=x_grid_natural[:, j],
y=y_grid_natural[:, j],
z=z_pred[:, j],
mode='lines',
line=dict(color='gray', width=2),
showlegend=False,
hoverinfo='skip'
))
# --- Fin de la adición de la cuadrícula ---
# Añadir los puntos de los experimentos en la superficie de respuesta con diferentes colores y etiquetas
if self.current_configuration['show_points'] and not experiments_data.empty:
colors = px.colors.qualitative.Safe
point_labels = [f"{row[self.y_name]:.{self.current_configuration['decimal_places']}f}"
for _, row in experiments_data.iterrows()]
fig.add_trace(go.Scatter3d(
x=experiments_x_natural,
y=experiments_y_natural,
z=experiments_data[self.y_name].round(self.current_configuration['decimal_places']),
mode='markers+text',
marker=dict(size=4, color=colors[:len(experiments_x_natural)]),
text=point_labels,
textposition='top center',
name='Experimentos'
))
# Añadir etiquetas y título con variables naturales
fixed_info = ", ".join([f"{fixed_names[i]} = {fixed_levels[i]:.{self.current_configuration['decimal_places']}f}"
for i in range(len(fixed_names))])
fig.update_layout(
scene=dict(
xaxis_title=varying_names[0],
yaxis_title=varying_names[1],
zaxis_title=self.y_name,
),
title=f"{self.y_name} vs {varying_names[0]} y {varying_names[1]}<br><sup>{fixed_info} (Modelo Simplificado)</sup>",
height=800,
width=1000,
showlegend=True
)
return fig
def generate_all_plots(self):
"""
Genera todas las gráficas de RSM, variando las variables fijas y sus niveles usando el modelo simplificado.
Almacena las figuras en self.all_figures.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return
self.all_figures = [] # Resetear la lista de figuras
# Para k factores, generamos combinaciones de k-2 factores fijos
# Esto nos dará C(k, k-2) = C(k, 2) combinaciones de variables que varían
for fixed_indices in combinations(range(self.k), max(0, self.k-2)):
# Si k=2, fixed_indices será vacío (no hay factores fijos)
# Si k=3, fixed_indices será de tamaño 1 (un factor fijo)
# Si k=4, fixed_indices será de tamaño 2 (dos factores fijos), etc.
# Determinar los niveles para los factores fijos
# Para cada factor fijo, usamos los tres niveles: bajo (-1), central (0), alto (1)
fixed_levels_list = []
for idx in fixed_indices:
low, high = self.levels[idx]
# Los niveles codificados son -1, 0, 1
natural_levels = [
self.coded_to_natural(-1, idx),
self.coded_to_natural(0, idx),
self.coded_to_natural(1, idx)
]
fixed_levels_list.append(natural_levels)
# Si no hay factores fijos, simplemente generamos un gráfico
if not fixed_indices:
self.all_figures.append(self.plot_rsm_individual([], []))
else:
# Generar el producto cartesiano de los niveles de los factores fijos
from itertools import product
for fixed_levels in product(*fixed_levels_list):
self.all_figures.append(
self.plot_rsm_individual(fixed_indices, fixed_levels)
)
def pareto_chart(self, model, title):
"""
Genera un diagrama de Pareto para los efectos usando estadísticos t o F,
incluyendo la línea de significancia.
"""
statistic_type = self.current_configuration['pareto_statistic']
# Calcular los estadísticos según la selección
if statistic_type == 'F':
# Usar estadístico F (t^2)
fvalues = model.tvalues[1:]**2 # Excluir la Intercept y convertir t a F
values = np.abs(fvalues)
y_label = 'Estadístico F'
else:
# Usar estadístico t directamente
tvalues = model.tvalues[1:] # Excluir la Intercept
values = np.abs(tvalues)
y_label = 'Estadístico t'
sorted_idx = np.argsort(values)[::-1]
sorted_values = values[sorted_idx]
sorted_names = values.index[sorted_idx]
# Calcular el valor crítico para la línea de significancia
alpha = 0.05 # Nivel de significancia
if statistic_type == 'F':
dof_num = 1 # Grados de libertad del numerador (cada término)
dof_den = model.df_resid # Grados de libertad residuales
critical_value = f.ppf(1 - alpha, dof_num, dof_den)
else:
dof = model.df_resid
critical_value = t.ppf(1 - alpha/2, dof) # Valor crítico para prueba de dos colas
# Crear el diagrama de Pareto
fig = px.bar(
x=sorted_values.round(self.current_configuration['decimal_places']),
y=sorted_names,
orientation='h',
labels={'x': y_label, 'y': 'Término'},
title=title
)
fig.update_yaxes(autorange="reversed")
# Agregar la línea de significancia
fig.add_vline(x=critical_value, line_dash="dot",
annotation_text=f"{statistic_type.upper()} crítico = {critical_value:.{self.current_configuration['decimal_places']}f}",
annotation_position="bottom right")
return fig
def get_simplified_equation(self):
"""
Retorna la ecuación del modelo simplificado como una cadena de texto.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
coefficients = self.model_simplified.params
equation = f"{self.y_name} = {coefficients['Intercept']:.{self.current_configuration['decimal_places']}f}"
for term, coef in coefficients.items():
if term != 'Intercept':
if term.endswith('_sq'):
factor = term[:-3]
equation += f" + {coef:.{self.current_configuration['decimal_places']}f}*{factor}^2"
elif '_' in term:
# Es una interacción
equation += f" + {coef:.{self.current_configuration['decimal_places']}f}*{term.replace('_', '×')}"
else:
# Es un término lineal
equation += f" + {coef:.{self.current_configuration['decimal_places']}f}*{term}"
return equation
def generate_prediction_table(self):
"""
Genera una tabla con los valores actuales, predichos y residuales.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
self.data['Predicho'] = self.model_simplified.predict(self.data)
self.data['Residual'] = self.data[self.y_name] - self.data['Predicho']
return self.data[[self.y_name, 'Predicho', 'Residual']].round(self.current_configuration['decimal_places'])
def calculate_contribution_percentage(self):
"""
Calcula el porcentaje de contribución de cada factor usando estadísticos F.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# ANOVA del modelo simplificado
anova_table = sm.stats.anova_lm(self.model_simplified, typ=2)
# Suma de cuadrados total
ss_total = anova_table['sum_sq'].sum()
# Crear tabla de contribución
contribution_table = pd.DataFrame({
'Fuente de Variación': [],
'Suma de Cuadrados': [],
'Grados de Libertad': [],
'Cuadrado Medio': [],
'% Contribución': []
})
# Agregar filas para cada término del modelo
for index, row in anova_table.iterrows():
if index != 'Residual':
factor_name = index
if factor_name.endswith('_sq'):
factor_name = f"{factor_name[:-3]}^2"
elif '_' in factor_name:
factor_name = factor_name.replace('_', '×')
ss_factor = row['sum_sq']
df_factor = row['df']
ms_factor = ss_factor / df_factor
contribution_percentage = (ss_factor / ss_total) * 100
contribution_table = pd.concat([contribution_table, pd.DataFrame({
'Fuente de Variación': [factor_name],
'Suma de Cuadrados': [ss_factor],
'Grados de Libertad': [df_factor],
'Cuadrado Medio': [ms_factor],
'% Contribución': [contribution_percentage]
})], ignore_index=True)
# Agregar fila para Residual
residual_ss = anova_table.loc['Residual', 'sum_sq']
residual_df = anova_table.loc['Residual', 'df']
residual_ms = residual_ss / residual_df
residual_contribution = (residual_ss / ss_total) * 100
contribution_table = pd.concat([contribution_table, pd.DataFrame({
'Fuente de Variación': ['Residual'],
'Suma de Cuadrados': [residual_ss],
'Grados de Libertad': [residual_df],
'Cuadrado Medio': [residual_ms],
'% Contribución': [residual_contribution]
})], ignore_index=True)
# Agregar fila para Total
total_ss = ss_total
total_df = len(self.data) - 1
contribution_table = pd.concat([contribution_table, pd.DataFrame({
'Fuente de Variación': ['Total'],
'Suma de Cuadrados': [total_ss],
'Grados de Libertad': [total_df],
'Cuadrado Medio': [np.nan],
'% Contribución': [100]
})], ignore_index=True)
return contribution_table.round(self.current_configuration['decimal_places'])
def calculate_detailed_anova(self):
"""
Calcula la tabla ANOVA detallada con la descomposición del error residual.
"""
if self.model_simplified is None:
print("Error: Ajusta el modelo simplificado primero.")
return None
# ANOVA del modelo simplificado
anova_table = sm.stats.anova_lm(self.model_simplified, typ=2)
# Suma de cuadrados total
ss_total = np.sum((self.data[self.y_name] - self.data[self.y_name].mean())**2)
# Grados de libertad totales
df_total = len(self.data) - 1
# Suma de cuadrados de la regresión
ss_regression = anova_table['sum_sq'][:-1].sum() # Sumar todo excepto 'Residual'
# Grados de libertad de la regresión
df_regression = len(anova_table) - 1
# Suma de cuadrados del error residual
ss_residual = self.model_simplified.ssr
df_residual = self.model_simplified.df_resid
# Cuadrados medios
ms_regression = ss_regression / df_regression
ms_residual = ss_residual / df_residual
# Estadísticos F y valores p
f_regression = ms_regression / ms_residual
p_regression = 1 - f.cdf(f_regression, df_regression, df_residual)
# Crear la tabla ANOVA detallada
detailed_anova_table = pd.DataFrame({
'Fuente de Variación': ['Regresión', 'Residual', 'Total'],
'Suma de Cuadrados': [ss_regression, ss_residual, ss_total],
'Grados de Libertad': [df_regression, df_residual, df_total],
'Cuadrado Medio': [ms_regression, ms_residual, np.nan],
'F': [f_regression, np.nan, np.nan],
'Valor p': [p_regression, np.nan, np.nan]
})
return detailed_anova_table.round(self.current_configuration['decimal_places'])
def get_all_tables(self):
"""
Obtiene todas las tablas generadas para ser exportadas a Excel.
"""
prediction_table = self.generate_prediction_table()
contribution_table = self.calculate_contribution_percentage()
detailed_anova_table = self.calculate_detailed_anova()
return {
'Predicciones': prediction_table,
'% Contribución': contribution_table,
'ANOVA Detallada': detailed_anova_table
}
def save_figures_to_zip(self):
"""
Guarda todas las figuras almacenadas en self.all_figures a un archivo ZIP en memoria.
"""
if not self.all_figures:
return None
zip_buffer = io.BytesIO()
with zipfile.ZipFile(zip_buffer, 'w') as zip_file:
for idx, fig in enumerate(self.all_figures, start=1):
img_bytes = fig.to_image(format="png")
zip_file.writestr(f'Grafico_{idx}.png', img_bytes)
zip_buffer.seek(0)
# Guardar en un archivo temporal
with tempfile.NamedTemporaryFile(delete=False, suffix=".zip") as temp_file:
temp_file.write(zip_buffer.read())
temp_path = temp_file.name
return temp_path
def save_fig_to_bytes(self, fig):
"""
Convierte una figura Plotly a bytes en formato PNG.
"""
return fig.to_image(format="png")
def save_matplotlib_fig_to_bytes(self, fig):
"""
Convierte una figura Matplotlib a bytes en formato PNG.
"""
buf = io.BytesIO()
fig.savefig(buf, format='png')
buf.seek(0)
return buf.read()
def save_all_figures_png(self):
"""
Guarda todas las figuras en archivos PNG temporales y retorna las rutas.
"""
png_paths = []
for idx, fig in enumerate(self.all_figures, start=1):
img_bytes = fig.to_image(format="png")
with tempfile.NamedTemporaryFile(delete=False, suffix=".png") as temp_file:
temp_file.write(img_bytes)
temp_path = temp_file.name
png_paths.append(temp_path)
return png_paths
def save_tables_to_excel(self):
"""
Guarda todas las tablas en un archivo Excel con múltiples hojas y retorna la ruta del archivo.
"""
tables = self.get_all_tables()
excel_buffer = io.BytesIO()
with pd.ExcelWriter(excel_buffer, engine='xlsxwriter') as writer:
for sheet_name, table in tables.items():
table.to_excel(writer, sheet_name=sheet_name, index=False)
excel_buffer.seek(0)
excel_bytes = excel_buffer.read()
# Guardar en un archivo temporal
with tempfile.NamedTemporaryFile(delete=False, suffix=".xlsx") as temp_file:
temp_file.write(excel_bytes)
temp_path = temp_file.name
return temp_path
def export_tables_to_word(self, tables_dict):
"""
Exporta las tablas proporcionadas a un documento de Word.
"""
if not tables_dict:
return None
doc = docx.Document()
# Configurar estilo de fuente
style = doc.styles['Normal']
font = style.font
font.name = 'Times New Roman'
font.size = Pt(12)
# Título del informe
titulo = doc.add_heading('Informe de Optimización', 0)
titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}").alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
doc.add_paragraph('\n') # Espacio
for sheet_name, table in tables_dict.items():
# Añadir título de la tabla
doc.add_heading(sheet_name, level=1)
if table.empty:
doc.add_paragraph("No hay datos disponibles para esta tabla.")
continue
# Añadir tabla al documento
table_doc = doc.add_table(rows=1, cols=len(table.columns))
table_doc.style = 'Light List Accent 1'
# Añadir encabezados
hdr_cells = table_doc.rows[0].cells
for idx, col_name in enumerate(table.columns):
hdr_cells[idx].text = col_name
# Añadir filas de datos
for _, row in table.iterrows():
row_cells = table_doc.add_row().cells
for idx, item in enumerate(row):
row_cells[idx].text = str(item)
doc.add_paragraph('\n') # Espacio entre tablas
# Guardar el documento en un archivo temporal
with tempfile.NamedTemporaryFile(delete=False, suffix=".docx") as tmp:
doc.save(tmp.name)
tmp_path = tmp.name
return tmp_path
# --- Funciones para la Interfaz de Gradio Mejorada ---
def extract_factors_from_components(num_factors, factor_components):
"""Extrae los nombres y niveles de los factores de los componentes de la UI"""
num_factors = int(num_factors)
factor_names = []
levels = []
existing_factors = []
for i in range(num_factors):
idx = i * 3
factor_name = factor_components[idx]
low_level = factor_components[idx+1]
high_level = factor_components[idx+2]
factor_names.append(factor_name)
levels.append((low_level, high_level))
existing_factors.append({
'name': factor_name,
'low': low_level,
'high': high_level
})
return factor_names, levels, existing_factors
def generate_factor_components(num_factors, existing_factors=None):
"""Genera componentes de UI para factores dinámicamente con valores existentes"""
num_factors = int(num_factors)
components = []
updated_existing_factors = []
# Usar valores existentes si están disponibles
if existing_factors is None:
existing_factors = []
# Crear componentes visibles para los factores solicitados
for i in range(num_factors):
# Usar factor existente si está disponible, de lo contrario usar valores por defecto
if i < len(existing_factors):
factor_data = existing_factors[i]
else:
factor_data = {'name': f'Factor_{i+1}', 'low': 0.0, 'high': 10.0}
# CORRECCIÓN: Usar gr.update() en lugar de gr.Textbox.update()
components.append(gr.update(
value=factor_data['name'],
visible=True,
label=f"Nombre del Factor {i+1}"
))
components.append(gr.update(
value=factor_data['low'],
visible=True,
label=f"Nivel Bajo ({i+1})"
))
components.append(gr.update(
value=factor_data['high'],
visible=True,
label=f"Nivel Alto ({i+1})"
))
updated_existing_factors.append({
'name': factor_data['name'],
'low': factor_data['low'],
'high': factor_data['high']
})
# Ocultar componentes no utilizados (más de num_factors)
for i in range(num_factors, 16):
components.append(gr.update(visible=False))
components.append(gr.update(visible=False))
components.append(gr.update(visible=False))
return components + [updated_existing_factors]
def load_data(num_factors, *factor_components, y_name, data_str, decimal_places):
"""
Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
"""
global rsm
try:
num_factors = int(num_factors)
# Extraer información de los componentes de factores
factor_names, levels, existing_factors = extract_factors_from_components(num_factors, factor_components)
# Si no se proporcionan datos, generar un diseño
if not data_str.strip():
# Crear la instancia de RSM_BoxBehnken
rsm = RSM_BoxBehnken(factor_names, y_name, levels, decimal_places=decimal_places)
data = rsm.data
else:
# Crear DataFrame a partir de la cadena de datos
data_list = [row.split(',') for row in data_str.strip().split('\n')]
column_names = ['Exp.'] + factor_names + [y_name]
# Asegurar que todas las filas tengan la misma longitud
max_cols = max(len(row) for row in data_list)
if max_cols < len(column_names):
# Rellenar con NaN
data_list = [row + [np.nan]*(len(column_names)-len(row)) for row in data_list]
data = pd.DataFrame(data_list, columns=column_names[:max_cols])
data = data.apply(pd.to_numeric, errors='coerce') # Convertir a numérico
# Validar que el DataFrame tenga al menos las columnas necesarias
if not all(col in data.columns for col in ['Exp.'] + factor_names + [y_name]):
raise ValueError("El formato de los datos no es correcto. Faltan columnas requeridas.")
# Crear la instancia de RSM_BoxBehnken
rsm = RSM_BoxBehnken(factor_names, y_name, levels, data=data, decimal_places=decimal_places)
return data.round(rsm.current_configuration['decimal_places']), "Datos cargados correctamente. Puede avanzar a la pestaña de Análisis Estadístico.", True, existing_factors
except Exception as e:
# Mostrar mensaje de error
error_message = f"Error al cargar los datos: {str(e)}"
print(error_message)
return None, error_message, False, []
def update_factors_action(num_factors, *factor_components, y_name):
"""Actualiza los factores en la instancia existente de RSM"""
global rsm
if rsm is None:
return None, "Primero debe cargar los datos", False, []
try:
num_factors = int(num_factors)
# Extraer información de los componentes de factores
factor_names, levels, existing_factors = extract_factors_from_components(num_factors, factor_components)
# Actualizar factores en la instancia RSM
result = rsm.update_factors(factor_names, levels)
return rsm.data.round(rsm.current_configuration['decimal_places']), f"Factores actualizados: {result}", True, existing_factors
except Exception as e:
error_message = f"Error al actualizar factores: {str(e)}"
print(error_message)
return None, error_message, False, []
def update_levels_action(num_factors, *factor_components):
"""Actualiza los niveles en la instancia existente de RSM"""
global rsm
if rsm is None:
return "Primero debe cargar los datos", []
try:
num_factors = int(num_factors)
# Extraer niveles de los componentes de factores
_, levels, existing_factors = extract_factors_from_components(num_factors, factor_components)
# Actualizar niveles en la instancia RSM
result = rsm.update_levels(levels)
return f"Niveles actualizados: {result}", existing_factors
except Exception as e:
error_message = f"Error al actualizar niveles: {str(e)}"
print(error_message)
return error_message, []
def fit_and_optimize_model(regularization_alpha=1.0, regularization_l1_ratio=0.5, decimal_places=3, pareto_statistic='F'):
global rsm
if rsm is None:
# Devolver None para todos los componentes de salida
return (
None, None, None, None, None, None, None, None, None, None,
None, None, None, None, None, None, None, None, None, None,
None, None, None, None, None
)
# Actualizar configuración de decimales y estadístico de Pareto
rsm.current_configuration['decimal_places'] = int(decimal_places)
rsm.current_configuration['pareto_statistic'] = pareto_statistic
# Ajustar modelos y optimizar
model_completo, pareto_completo = rsm.fit_model()
model_simplificado, pareto_simplificado = rsm.fit_simplified_model()
# Ajustar modelos de regularización
ridge_coef, ridge_r2, ridge_mse = rsm.fit_ridge_regression(alpha=regularization_alpha)
lasso_coef, lasso_r2, lasso_mse = rsm.fit_lasso_regression(alpha=regularization_alpha)
elasticnet_coef, elasticnet_r2, elasticnet_mse = rsm.fit_elasticnet_regression(
alpha=regularization_alpha,
l1_ratio=regularization_l1_ratio
)
optimization_table = rsm.optimize()
bayesian_opt_table, bayesian_plot = rsm.optimize_bayesian()
pso_opt_table, pso_plot = rsm.optimize_pso()
equation = rsm.get_simplified_equation()
prediction_table = rsm.generate_prediction_table()
contribution_table = rsm.calculate_contribution_percentage()
anova_table = rsm.calculate_detailed_anova()
cross_val_table = rsm.calculate_cross_validation()
vif_table = rsm.calculate_vif()
# Generar todas las figuras y almacenarlas
rsm.generate_all_plots()
diagnostic_plots = rsm.plot_diagnostics()
# 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}"
# Formatear métricas de regularización
regularization_metrics = f"""
### Métricas de Modelos de Regularización:
- **Ridge Regression**: R² = {ridge_r2:.{decimal_places}f}, MSE = {ridge_mse:.{decimal_places}f}
- **LASSO Regression**: R² = {lasso_r2:.{decimal_places}f}, MSE = {lasso_mse:.{decimal_places}f}
- **ElasticNet**: R² = {elasticnet_r2:.{decimal_places}f}, MSE = {elasticnet_mse:.{decimal_places}f}
"""
# Guardar las tablas en Excel temporal
excel_path = rsm.save_tables_to_excel()
# Guardar todas las figuras en un ZIP temporal
zip_path = rsm.save_figures_to_zip()
return (
model_completo.summary().as_html(),
pareto_completo,
model_simplificado.summary().as_html(),
pareto_simplificado,
equation_formatted,
optimization_table,
bayesian_opt_table,
bayesian_plot,
pso_opt_table,
pso_plot,
prediction_table,
contribution_table,
anova_table,
cross_val_table,
vif_table,
ridge_coef,
lasso_coef,
elasticnet_coef,
regularization_metrics,
diagnostic_plots[0] if diagnostic_plots else None,
diagnostic_plots[1] if diagnostic_plots else None,
diagnostic_plots[2] if diagnostic_plots else None,
diagnostic_plots[3] if diagnostic_plots else None,
zip_path, # Ruta del ZIP de gráficos
excel_path # Ruta del Excel de tablas
)
def show_plot(current_index, all_figures):
if not all_figures:
return None, "No hay gráficos disponibles.", current_index
selected_fig = all_figures[current_index]
plot_info_text = f"Gráfico {current_index + 1} de {len(all_figures)}"
return selected_fig, plot_info_text, current_index
def navigate_plot(direction, current_index, all_figures):
"""
Navega entre los gráficos.
"""
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):
"""
Descarga la figura actual como PNG.
"""
if not all_figures:
return None
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():
"""
Descarga todas las figuras en un archivo ZIP.
"""
if rsm is None:
return None
zip_path = rsm.save_figures_to_zip()
if zip_path:
filename = f"Graficos_RSM_{datetime.now().strftime('%Y%m%d_%H%M%S')}.zip"
# Gradio no permite renombrar directamente, por lo que retornamos la ruta del archivo
return zip_path
return None
def download_all_tables_excel():
"""
Descarga todas las tablas en un archivo Excel con múltiples hojas.
"""
if rsm is None:
return None
excel_path = rsm.save_tables_to_excel()
if excel_path:
filename = f"Tablas_RSM_{datetime.now().strftime('%Y%m%d_%H%M%S')}.xlsx"
# Gradio no permite renombrar directamente, por lo que retornamos la ruta del archivo
return excel_path
return None
def exportar_word(rsm_instance, tables_dict):
"""
Función para exportar las tablas a un documento de Word.
"""
word_path = rsm_instance.export_tables_to_word(tables_dict)
if word_path and os.path.exists(word_path):
return word_path
return None
def update_visualization_settings(colorscale, opacity, show_grid, show_points, contour_levels, decimal_places, pareto_statistic):
"""
Actualiza la configuración de visualización y regenera todos los gráficos.
"""
if rsm is None:
return "Error: Primero cargue los datos"
message = rsm.update_configuration(colorscale, opacity, show_grid, show_points, contour_levels, decimal_places, pareto_statistic)
return message
def generate_contour_plot(fixed_factors_idx, fixed_levels, contour_levels):
"""
Genera un gráfico de contorno.
"""
if rsm is None:
return None
return rsm.plot_contour_individual(fixed_factors_idx, fixed_levels, contour_levels)
def generate_rsm_plot(fixed_factors_idx, fixed_levels):
"""
Genera un gráfico de superficie de respuesta.
"""
if rsm is None:
return None
return rsm.plot_rsm_individual(fixed_factors_idx, fixed_levels)
# --- Crear la interfaz de Gradio Mejorada ---
def create_gradio_interface():
with gr.Blocks(css="""
.factor-accordion { margin-bottom: 15px; border: 1px solid #e0e0e0; border-radius: 8px; }
.factor-header { background-color: #f5f5f5; padding: 12px; cursor: pointer; border-radius: 8px 8px 0 0; }
.factor-content { padding: 15px; }
.factor-row { display: flex; gap: 10px; margin-bottom: 10px; }
.factor-input { flex: 1; }
""") as demo:
gr.Markdown("""
# <center>Optimización de Producción con Box-Behnken (k Factores)</center>
<div style="background-color: #f0f2f6; padding: 15px; border-radius: 10px; margin-bottom: 20px;">
Herramienta avanzada para el análisis y optimización de procesos mediante
la Metodología de Superficie de Respuesta (RSM) con diseño Box-Behnken.
Esta interfaz proporciona análisis estadístico completo, visualización interactiva y
técnicas avanzadas de optimización.
</div>
""")
# Estado para el índice actual de gráficos
current_index_state = gr.State(0)
all_figures_state = gr.State([])
diagnostic_figures_state = gr.State([])
existing_factors_state = gr.State([])
# Pestañas principales
with gr.Tabs() as tabs:
# Pestaña 1: Configuración y Carga de Datos
with gr.Tab("1. Configuración y Carga de Datos", id="tab1"):
gr.Markdown("### 📥 Configuración del Diseño Experimental")
# Asistente de progreso
with gr.Row():
progress = gr.Markdown("""
<div style="display: flex; align-items: center; gap: 10px;">
<div style="flex: 1; height: 8px; background-color: #e0e0e0; border-radius: 4px; overflow: hidden;">
<div style="height: 100%; width: 20%; background-color: #4CAF50; border-radius: 4px;"></div>
</div>
<span style="min-width: 70px; text-align: right; color: #666;">20% Completado</span>
</div>
""")
# Número de factores
with gr.Row():
num_factors_input = gr.Slider(
minimum=3, maximum=16, value=3, step=1,
label="Número de Factores",
info="Seleccione el número de factores a utilizar en el diseño"
)
update_btn = gr.Button("Generar Campos de Factores", variant="secondary")
# Contenedor para factores desglosables
factors_container = gr.Column()
# PRIMERO DEFINIMOS LOS PLACEHOLDERS PARA LOS COMPONENTES DE FACTORES
# Estos son placeholders para los componentes de factores (48 en total, para 16 factores × 3 componentes)
factor_components = []
for i in range(48): # 16 factores * 3 componentes = 48
if i % 3 == 0:
factor_components.append(gr.Textbox(visible=False, label=f"Nombre del Factor {i//3 + 1}"))
else:
factor_components.append(gr.Number(visible=False, label=f"Nivel {'Bajo' if i % 3 == 1 else 'Alto'} ({i//3 + 1})"))
# Botón para cargar datos
with gr.Row():
y_name_input = gr.Textbox(
label="Variable Dependiente",
value="Respuesta",
info="Nombre de la variable de respuesta"
)
data_input = gr.Textbox(
label="Datos del Experimento (formato CSV)",
lines=10,
value=""
)
decimal_places = gr.Slider(
minimum=0, maximum=5, value=3, step=1,
label="Número de decimales"
)
with gr.Row():
load_button = gr.Button("Generar/Cargar Diseño", variant="primary")
# Componentes de salida
data_output = gr.Dataframe(label="Diseño Generado/Cargado", interactive=False)
status_output = gr.Textbox(label="Estado", interactive=False)
data_loaded = gr.State(False)
# Configuración de eventos
update_btn.click(
fn=generate_factor_components,
inputs=[num_factors_input, existing_factors_state],
outputs=[*factor_components, existing_factors_state]
)
load_button.click(
fn=load_data,
inputs=[num_factors_input, *factor_components, y_name_input, data_input, decimal_places],
outputs=[data_output, status_output, data_loaded, existing_factors_state]
).then(
lambda data_loaded: gr.update(interactive=data_loaded),
inputs=data_loaded,
outputs=update_btn
).then(
lambda data_loaded: gr.update(interactive=data_loaded),
inputs=data_loaded,
outputs=load_button
).then(
lambda data_loaded: [
gr.update(interactive=data_loaded),
gr.update(interactive=data_loaded),
gr.update(interactive=data_loaded),
gr.update(interactive=data_loaded)
],
inputs=data_loaded,
outputs=[gr.Tab(id="tab2"), gr.Tab(id="tab3"), gr.Tab(id="tab4"), gr.Tab(id="tab5")]
)
# Pestaña 2: Análisis Estadístico
with gr.Tab("2. Análisis Estadístico", id="tab2", interactive=False):
gr.Markdown("### 📈 Análisis Estadístico del Modelo")
# Asistente de progreso
with gr.Row():
progress2 = gr.Markdown("""
<div style="display: flex; align-items: center; gap: 10px;">
<div style="flex: 1; height: 8px; background-color: #e0e0e0; border-radius: 4px; overflow: hidden;">
<div style="height: 100%; width: 40%; background-color: #4CAF50; border-radius: 4px;"></div>
</div>
<span style="min-width: 70px; text-align: right; color: #666;">40% Completado</span>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
gr.Markdown("#### ⚙️ Configuración del Análisis")
with gr.Accordion("Parámetros de análisis", open=True):
decimal_places_analysis = gr.Slider(
minimum=0, maximum=5, value=3, step=1,
label="Número de decimales",
info="Número de decimales a mostrar en los resultados"
)
pareto_statistic = gr.Radio(
["t", "F"],
value="F",
label="Estadístico para diagrama de Pareto",
info="Seleccionar el estadístico a utilizar en los diagramas de Pareto"
)
regularization_alpha = gr.Slider(
minimum=0.001, maximum=10.0, value=1.0, step=0.1,
label="Parámetro Alpha (Regularización)",
info="Controla la fuerza de la regularización (valores más altos = más regularización)"
)
regularization_l1_ratio = gr.Slider(
minimum=0, maximum=1, value=0.5, step=0.05,
label="Proporción L1 (ElasticNet)",
info="0 = Ridge, 1 = LASSO, 0.5 = ElasticNet"
)
fit_button = gr.Button("Ejecutar Análisis Estadístico 📊", variant="primary")
gr.Markdown("#### 📊 Resultados Básicos")
model_completo_output = gr.HTML(label="Modelo Completo")
pareto_completo_output = gr.Plot(label="Diagrama de Pareto - Modelo Completo")
model_simplificado_output = gr.HTML(label="Modelo Simplificado")
pareto_simplificado_output = gr.Plot(label="Diagrama de Pareto - Modelo Simplificado")
equation_output = gr.HTML(label="Ecuación del Modelo Simplificado")
prediction_table_output = gr.Dataframe(label="Tabla de Predicciones", interactive=False)
with gr.Column(scale=3):
gr.Markdown("#### 📐 Modelos Avanzados")
with gr.Tabs():
with gr.Tab("Regularización"):
gr.Markdown("### Resultados de Modelos de Regularización")
regularization_metrics = gr.Markdown(label="Métricas de Regularización")
with gr.Row():
with gr.Column():
ridge_coef_output = gr.Dataframe(label="Coeficientes Ridge")
with gr.Column():
lasso_coef_output = gr.Dataframe(label="Coeficientes LASSO")
with gr.Column():
elasticnet_coef_output = gr.Dataframe(label="Coeficientes ElasticNet")
with gr.Tab("Diagnóstico"):
gr.Markdown("### Gráficos de Diagnóstico del Modelo")
with gr.Row():
diagnostic_plot1 = gr.Plot(label="Residuos vs Valores Ajustados")
diagnostic_plot2 = gr.Plot(label="Q-Q Plot")
with gr.Row():
diagnostic_plot3 = gr.Plot(label="Gráfico de Influencia")
diagnostic_plot4 = gr.Plot(label="Gráfico de Escala-Localización")
with gr.Tab("ANOVA y Contribución"):
gr.Markdown("### Análisis de Varianza y Contribución")
anova_table_output = gr.Dataframe(label="Tabla ANOVA Detallada", interactive=False)
contribution_table_output = gr.Dataframe(label="Tabla de % de Contribución", interactive=False)
vif_table_output = gr.Dataframe(label="Factor de Inflación de Varianza (VIF)", interactive=False)
# Pestaña 3: Visualización
with gr.Tab("3. Visualización", id="tab3", interactive=False):
gr.Markdown("### 🖼️ Visualización de Superficies de Respuesta")
# Asistente de progreso
with gr.Row():
progress3 = gr.Markdown("""
<div style="display: flex; align-items: center; gap: 10px;">
<div style="flex: 1; height: 8px; background-color: #e0e0e0; border-radius: 4px; overflow: hidden;">
<div style="height: 100%; width: 60%; background-color: #4CAF50; border-radius: 4px;"></div>
</div>
<span style="min-width: 70px; text-align: right; color: #666;">60% Completado</span>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
gr.Markdown("#### ⚙️ Configuración de Visualización")
with gr.Accordion("Personalización de Gráficos", open=True):
colorscale = gr.Dropdown(
choices=['Viridis', 'Plasma', 'Inferno', 'Magma', 'Cividis', 'Turbo', 'Rainbow', 'Portland'],
value='Viridis',
label="Esquema de Color"
)
opacity = gr.Slider(minimum=0.1, maximum=1.0, value=0.7, step=0.1, label="Transparencia")
show_grid = gr.Checkbox(value=True, label="Mostrar Cuadrícula")
show_points = gr.Checkbox(value=True, label="Mostrar Puntos Experimentales")
contour_levels = gr.Slider(minimum=5, maximum=20, value=10, step=1, label="Niveles de Contorno")
decimal_places_vis = gr.Slider(
minimum=0, maximum=5, value=3, step=1,
label="Número de decimales en gráficos",
info="Número de decimales a mostrar en los gráficos"
)
pareto_statistic_vis = gr.Radio(
["t", "F"],
value="F",
label="Estadístico para diagrama de Pareto",
info="Seleccionar el estadístico a utilizar en los diagramas de Pareto"
)
update_vis_btn = gr.Button("Actualizar Configuración de Visualización", variant="secondary")
vis_status = gr.Textbox(label="Estado", value="Configuración predeterminada", interactive=False)
gr.Markdown("#### 🔍 Selección de Gráfico")
with gr.Accordion("Ayuda para selección de gráficos", open=False):
gr.Markdown("""
- Para k factores, se generan combinaciones de k-2 factores fijos
- Por ejemplo, con 4 factores, se fijan 2 y se varían 2
- Seleccione los factores que desea fijar y sus niveles
""")
# Componentes para seleccionar factores fijos
with gr.Column():
gr.Markdown("Seleccione los factores a fijar (deben ser k-2 factores):")
fixed_factors_checkboxes = []
for i in range(16): # Máximo 16 factores
checkbox = gr.Checkbox(
label=f"Factor {i+1}",
visible=(i < 3), # Inicialmente solo visibles para 3 factores
value=False
)
fixed_factors_checkboxes.append(checkbox)
# Componentes para niveles de factores fijos
fixed_levels_inputs = []
for i in range(16):
level_input = gr.Number(
label=f"Nivel Factor {i+1}",
visible=(i < 3), # Inicialmente solo visibles para 3 factores
value=0.0
)
fixed_levels_inputs.append(level_input)
with gr.Row():
plot_button = gr.Button("Generar Gráficos 📊", variant="primary")
contour_button = gr.Button("Generar Contorno 📈", variant="secondary")
with gr.Column(scale=3):
gr.Markdown("#### 📊 Visualización de Resultados")
with gr.Tabs():
with gr.Tab("Superficie 3D"):
with gr.Row():
left_button = gr.Button("❮", variant="secondary")
right_button = gr.Button("❯", variant="secondary")
rsm_plot_output = gr.Plot(label="Superficie de Respuesta")
plot_info = gr.Textbox(label="Información del Gráfico", value="Gráfico 1 de 0", interactive=False)
with gr.Row():
download_plot_button = gr.DownloadButton("Descargar Gráfico Actual (PNG) 📥")
download_all_plots_button = gr.DownloadButton("Descargar Todos los Gráficos (ZIP) 📦")
with gr.Tab("Contorno"):
contour_plot_output = gr.Plot(label="Gráfico de Contorno")
download_contour_button = gr.DownloadButton("Descargar Contorno (PNG) 📥")
# Pestaña 4: Optimización
with gr.Tab("4. Optimización", id="tab4", interactive=False):
gr.Markdown("### 🎯 Optimización de la Respuesta")
# Asistente de progreso
with gr.Row():
progress4 = gr.Markdown("""
<div style="display: flex; align-items: center; gap: 10px;">
<div style="flex: 1; height: 8px; background-color: #e0e0e0; border-radius: 4px; overflow: hidden;">
<div style="height: 100%; width: 80%; background-color: #4CAF50; border-radius: 4px;"></div>
</div>
<span style="min-width: 70px; text-align: right; color: #666;">80% Completado</span>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
gr.Markdown("#### ⚙️ Configuración de Optimización")
with gr.Accordion("Métodos de Optimización", open=True):
optimization_method = gr.Radio(
["Nelder-Mead", "Bayesiana", "PSO", "Todos"],
value="Todos",
label="Método de Optimización"
)
n_calls = gr.Slider(minimum=10, maximum=50, value=20, step=5, label="Llamadas (Opt. Bayesiana)")
n_particles = gr.Slider(minimum=10, maximum=50, value=30, step=5, label="Partículas (PSO)")
max_iter = gr.Slider(minimum=10, maximum=100, value=50, step=10, label="Iteraciones (PSO)")
optimize_button = gr.Button("Ejecutar Optimización 🔍", variant="primary")
gr.Markdown("#### 📊 Resultados de Optimización")
optimization_table_output = gr.Dataframe(label="Tabla de Optimización (Nelder-Mead)", interactive=False)
bayesian_opt_table_output = gr.Dataframe(label="Tabla de Optimización (Bayesiana)", interactive=False)
pso_opt_table_output = gr.Dataframe(label="Tabla de Optimización (PSO)", interactive=False)
bayesian_plot_output = gr.Plot(label="Convergencia de Optimización Bayesiana")
pso_plot_output = gr.Plot(label="Visualización de Optimización PSO")
with gr.Column(scale=3):
gr.Markdown("#### 📈 Análisis Adicional de Optimización")
with gr.Tabs():
with gr.Tab("Análisis de Sensibilidad"):
gr.Markdown("### Análisis de Sensibilidad de los Factores")
# Aquí se podrían agregar gráficos de sensibilidad
gr.Plot(label="Gráfico de Sensibilidad")
gr.Dataframe(label="Tabla de Sensibilidad")
with gr.Tab("Intervalos de Confianza"):
gr.Markdown("### Intervalos de Confianza para la Predicción Óptima")
gr.Plot(label="Intervalos de Confianza")
gr.Dataframe(label="Valores de Confianza")
with gr.Tab("Validación Cruzada"):
gr.Markdown("### Resultados de Validación Cruzada")
cross_val_table_output = gr.Dataframe(label="Resultados de Validación Cruzada", interactive=False)
# Pestaña 5: Reporte y Exportación
with gr.Tab("5. Reporte y Exportación", id="tab5", interactive=False):
gr.Markdown("### 📑 Generación de Reportes y Exportación de Resultados")
# Asistente de progreso
with gr.Row():
progress5 = gr.Markdown("""
<div style="display: flex; align-items: center; gap: 10px;">
<div style="flex: 1; height: 8px; background-color: #e0e0e0; border-radius: 4px; overflow: hidden;">
<div style="height: 100%; width: 100%; background-color: #4CAF50; border-radius: 4px;"></div>
</div>
<span style="min-width: 70px; text-align: right; color: #666;">100% Completado</span>
</div>
""")
with gr.Row():
with gr.Column(scale=2):
gr.Markdown("#### 📤 Opciones de Exportación")
with gr.Accordion("Configuración del Reporte", open=True):
report_title = gr.Textbox(
label="Título del Reporte",
value="Informe de Optimización de Producción de AIA",
info="Título que aparecerá en el documento generado"
)
include_diagrams = gr.Checkbox(
value=True,
label="Incluir Diagramas en el Reporte",
info="Incluirá todas las visualizaciones en el documento"
)
include_tables = gr.Checkbox(
value=True,
label="Incluir Tablas en el Reporte",
info="Incluirá todas las tablas estadísticas en el documento"
)
gr.Markdown("#### 📎 Formatos de Exportación")
with gr.Row():
download_excel_button = gr.DownloadButton("Descargar Tablas en Excel 📊", variant="secondary")
download_word_button = gr.DownloadButton("Descargar Reporte en Word 📝", variant="primary")
download_ppt_button = gr.DownloadButton("Descargar Presentación en PowerPoint 💼", variant="secondary")
gr.Markdown("#### 📁 Exportación Personalizada")
with gr.Accordion("Selección de elementos para exportar", open=False):
export_options = gr.CheckboxGroup(
choices=[
"Modelos Estadísticos",
"Resultados de Optimización",
"Gráficos de Superficie",
"Gráficos de Diagnóstico",
"Tablas ANOVA",
"Métricas de Regularización"
],
value=[
"Modelos Estadísticos",
"Resultados de Optimización",
"Gráficos de Superficie"
],
label="Elementos a incluir en la exportación"
)
export_custom_button = gr.Button("Exportar Selección Personalizada 📤", variant="secondary")
with gr.Column(scale=3):
gr.Markdown("#### 📄 Vista Previa del Reporte")
with gr.Tabs():
with gr.Tab("Vista General"):
gr.Markdown("### Vista Previa del Reporte")
report_preview = gr.Markdown("""
# Informe de Optimización de Producción de AIA
_Fecha: 15/05/2023_
## Resumen Ejecutivo
Este informe presenta los resultados del análisis de superficie de respuesta
para la optimización del proceso de producción de AIA utilizando un diseño Box-Behnken.
## Hallazgos Clave
- El modelo simplificado explica el 92.3% de la variabilidad observada
- Los factores más influyentes fueron [X1] y [X2]
- El punto óptimo identificado predice un valor de [Y] = 295.7 ppm
## Recomendaciones
Se recomienda operar en los siguientes niveles:
- [X1]: 3.5 g/L
- [X2]: 0.2 g/L
- [X3]: 0.65 g/L
""")
with gr.Tab("Estructura del Reporte"):
report_structure = gr.JSON(value={
"Título": "Informe de Optimización de Producción de AIA",
"Secciones": [
"Resumen Ejecutivo",
"Metodología",
"Resultados del Análisis Estadístico",
"Visualización de Superficies de Respuesta",
"Resultados de Optimización",
"Conclusiones y Recomendaciones"
],
"Elementos Incluidos": [
"Modelos Estadísticos",
"Resultados de Optimización",
"Gráficos de Superficie"
]
})
gr.Markdown("#### 📤 Historial de Exportaciones")
export_history = gr.Dataframe(
headers=["Fecha", "Tipo", "Elementos Exportados", "Tamaño"],
value=[
["2023-05-15 10:30", "Excel", "Tablas completas", "45 KB"],
["2023-05-15 10:25", "Word", "Reporte completo", "320 KB"]
],
interactive=False
)
# Configuración de eventos
# Actualizar visibilidad de los checkboxes y niveles de factores fijos según el número de factores
demo.load(
fn=lambda num_factors: [
gr.update(visible=(i < int(num_factors))) for i in range(16)
for _ in range(2) # Para checkboxes y niveles
],
inputs=num_factors_input,
outputs=fixed_factors_checkboxes + fixed_levels_inputs
)
# Actualizar configuración de visualización
update_vis_btn.click(
update_visualization_settings,
inputs=[colorscale, opacity, show_grid, show_points, contour_levels, decimal_places_vis, pareto_statistic_vis],
outputs=vis_status
)
# Ajustar modelo y optimizar
fit_button.click(
fit_and_optimize_model,
inputs=[regularization_alpha, regularization_l1_ratio, decimal_places_analysis, pareto_statistic],
outputs=[
model_completo_output,
pareto_completo_output,
model_simplificado_output,
pareto_simplificado_output,
equation_output,
optimization_table_output,
bayesian_opt_table_output,
bayesian_plot_output,
pso_opt_table_output,
pso_plot_output,
prediction_table_output,
contribution_table_output,
anova_table_output,
cross_val_table_output,
vif_table_output,
ridge_coef_output,
lasso_coef_output,
elasticnet_coef_output,
regularization_metrics,
diagnostic_plot1,
diagnostic_plot2,
diagnostic_plot3,
diagnostic_plot4,
download_all_plots_button,
download_excel_button
]
)
# Generar y mostrar los gráficos
plot_button.click(
lambda *args: (
[i for i, cb in enumerate(args[:16]) if cb],
[args[16+i] for i, cb in enumerate(args[:16]) if cb],
rsm.plot_rsm_individual([i for i, cb in enumerate(args[:16]) if cb],
[args[16+i] for i, cb in enumerate(args[:16]) if cb]),
"Gráfico generado",
rsm.all_figures # Actualizar el estado de todas las figuras
),
inputs=fixed_factors_checkboxes + fixed_levels_inputs,
outputs=[current_index_state, current_index_state, rsm_plot_output, plot_info, all_figures_state]
)
# Generar contorno
contour_button.click(
lambda *args: generate_contour_plot(
[i for i, cb in enumerate(args[:16]) if cb],
[args[16+i] for i, cb in enumerate(args[:16]) if cb],
contour_levels
),
inputs=fixed_factors_checkboxes + fixed_levels_inputs,
outputs=contour_plot_output
)
# Navegación de gráficos
left_button.click(
lambda current_index, all_figures: navigate_plot('left', current_index, all_figures),
inputs=[current_index_state, all_figures_state],
outputs=[rsm_plot_output, plot_info, current_index_state]
)
right_button.click(
lambda current_index, all_figures: navigate_plot('right', current_index, all_figures),
#inputs=[current_index_state, all],
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
)
# Optimización
optimize_button.click(
fit_and_optimize_model,
inputs=[regularization_alpha, regularization_l1_ratio, decimal_places_analysis, pareto_statistic],
outputs=[
model_completo_output,
pareto_completo_output,
model_simplificado_output,
pareto_simplificado_output,
equation_output,
optimization_table_output,
bayesian_opt_table_output,
bayesian_plot_output,
pso_opt_table_output,
pso_plot_output,
prediction_table_output,
contribution_table_output,
anova_table_output,
cross_val_table_output,
vif_table_output,
ridge_coef_output,
lasso_coef_output,
elasticnet_coef_output,
regularization_metrics,
diagnostic_plot1,
diagnostic_plot2,
diagnostic_plot3,
diagnostic_plot4,
download_all_plots_button,
download_excel_button
]
)
# Ejemplo de uso
gr.Markdown("## 📌 Guía Rápida de Uso")
gr.Markdown("""
1. **Configuración y Carga de Datos**:
- Seleccione el número de factores en la primera pestaña (3-16)
- Configure los nombres y niveles de cada factor
- Ingrese los datos experimentales o deje vacío para generar un diseño
- Haga clic en "Generar/Cargar Diseño"
2. **Análisis Estadístico**:
- Ajuste los parámetros de regularización si es necesario
- Haga clic en "Ejecutar Análisis Estadístico"
- Revise los resultados de los modelos y diagnósticos
3. **Visualización**:
- Personalice la apariencia de los gráficos
- Seleccione qué factores mantener fijos y en qué niveles
- Genere y navegue entre los gráficos de superficie
4. **Optimización**:
- Seleccione el método de optimización deseado
- Haga clic en "Ejecutar Optimización"
- Analice los resultados y recomendaciones
5. **Reporte y Exportación**:
- Personalice y genere su reporte final
- Exporte los resultados en el formato deseado
""")
return demo
# --- Función Principal ---
def main():
interface = create_gradio_interface()
interface.launch(share=True)
if __name__ == "__main__":
main() |