archivo

ML/skill_top.py

@@ -27,12 +27,12 @@ st.title("Predicción de aptitud para un trabajo")
 st.write(
     "Ingrese el título del trabajo para ver las habilidades más importantes.")
 
-title = st.multiselect("Título del trabajo", df.job_title.unique())
+title = st.text_input("Título del trabajo")
 
 # Crear una función que encuentra las habilidades más importantes para un título dado
 def get_top_skills(title, limit):
     # Filtrar el dataframe por el título dado
-    filtered_df = df[df.job_title == title]
+    filtered_df = df[df.job_title.str.contains(title, case=False)]
 
     # Crear una matriz de características con la frecuencia de cada skill en el dataframe filtrado
     X_filtered = vectorizer.transform(filtered_df.skills)
@@ -53,7 +53,7 @@ def get_top_skills(title, limit):
 
 if title:
     limit = st.number_input("Cantidad de habilidades a mostrar", value=5, min_value=1, max_value=len(all_skills))
-    top_skills = get_top_skills(title[0], limit)
-    st.write(f"Las {limit} habilidades más importantes para el trabajo de '{title[0]}' son:")
+    top_skills = get_top_skills(title, limit)
+    st.write(f"Las {limit} habilidades más importantes para el trabajo de '{title}' son:")
     for skill in top_skills:
         st.write(f"- {skill}")

app.py

@@ -435,9 +435,11 @@ if selected2 == "New":
     clf.fit(X, df.Aptitude)
 
     # Crear la interfaz de usuario con Streamlit
-    st.title("Predicción de aptitud para un trabajo")
+    st.title("Predicción de aptitud para un 'NUEVO' trabajo")
     st.write(
-        "Ingrese el título del trabajo para ver las habilidades más importantes.")
+        "Ingrese el título del 'Nuevo' trabajo  para ver que habilidades "
+        "son las más "
+        "importantes.")
 
     title = st.multiselect("Título del trabajo", df.job_title.unique())