Update app.py

app.py

@@ -33,29 +33,34 @@ def generar_tabla(n_filas, concentracion_inicial, unidad_medida):
 
     nombre_columna = f"Solución de inóculo ({concentracion_inicial} {unidad_medida})"
     df["Factor de Dilución"] = df[nombre_columna].apply(lambda x: round(1 / x, 2))
-    df[f"Concentración Predicha ({unidad_medida})"] = df["Factor de Dilución"].apply(
-        lambda x: round(concentracion_inicial / x, 0)
+    df["Concentración Predicha Numérica"] = df["Factor de Dilución"].apply(
+        lambda x: concentracion_inicial / x
     )
-
+    df[f"Concentración Predicha ({unidad_medida})"] = df["Concentración Predicha Numérica"].round(0).astype(str)
     df[f"Concentración Real ({unidad_medida})"] = None
 
     return df
 
 def ajustar_decimales_evento(df, decimales):
     df = df.copy()
-    # Identificar la columna de Concentración Predicha
-    col_predicha = [col for col in df.columns if 'Concentración Predicha' in col][0]
-    # Redondear la columna al número de decimales especificado
-    df[col_predicha] = df[col_predicha].astype(float).round(decimales)
-    # Actualizar el componente DataFrame con la nueva precisión
-    return gr.update(value=df, precision=decimales)
+    # Identificar la columna de Concentración Predicha Numérica y la de visualización
+    col_predicha_num = "Concentración Predicha Numérica"
+    col_predicha = [col for col in df.columns if 'Concentración Predicha (' in col][0]
+
+    # Redondear la columna numérica al número de decimales especificado
+    df[col_predicha_num] = df[col_predicha_num].astype(float).round(decimales)
+
+    # Actualizar la columna de visualización con el formato deseado
+    df[col_predicha] = df[col_predicha_num].apply(lambda x: f"{x:.{decimales}f}")
+
+    return df
 
 def generar_datos_sinteticos(df, desviacion_std):
-    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df.columns if 'Real' in col][0]
 
     # Generar datos sintéticos
-    valores_predichos = df[col_predicha].astype(float).values
+    valores_predichos = df[col_predicha_num].astype(float).values
     datos_sinteticos = valores_predichos + np.random.normal(0, desviacion_std, size=len(valores_predichos))
     datos_sinteticos = np.maximum(0, datos_sinteticos)  # Asegurar que no haya valores negativos
     datos_sinteticos = np.round(datos_sinteticos, 2)
@@ -65,16 +70,16 @@ def generar_datos_sinteticos(df, desviacion_std):
     return df
 
 def generar_graficos(df_valid):
-    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df_valid.columns if 'Real' in col][0]
 
     # Convertir a numérico
-    df_valid[col_predicha] = df_valid[col_predicha].astype(float)
+    df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
     df_valid[col_real] = df_valid[col_real].astype(float)
 
     # Calcular regresión lineal
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
-    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real])
+    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]
 
     # Configurar estilos
     sns.set(style="whitegrid")
@@ -85,7 +90,7 @@ def generar_graficos(df_valid):
     # Gráfico de dispersión con línea de regresión
     sns.scatterplot(
         data=df_valid,
-        x=col_predicha,
+        x=col_predicha_num,
         y=col_real,
         ax=ax1,
         color='blue',
@@ -96,7 +101,7 @@ def generar_graficos(df_valid):
 
     # Línea de ajuste
     sns.lineplot(
-        x=df_valid[col_predicha],
+        x=df_valid[col_predicha_num],
         y=df_valid['Ajuste Lineal'],
         ax=ax1,
         color='green',
@@ -105,8 +110,8 @@ def generar_graficos(df_valid):
     )
 
     # Línea ideal
-    min_predicha = df_valid[col_predicha].min()
-    max_predicha = df_valid[col_predicha].max()
+    min_predicha = df_valid[col_predicha_num].min()
+    max_predicha = df_valid[col_predicha_num].max()
     ax1.plot(
         [min_predicha, max_predicha],
         [min_predicha, max_predicha],
@@ -136,7 +141,7 @@ def generar_graficos(df_valid):
     residuos = df_valid[col_real] - df_valid['Ajuste Lineal']
     sns.scatterplot(
         data=df_valid,
-        x=col_predicha,
+        x=col_predicha_num,
         y=residuos,
         ax=ax2,
         color='purple',
@@ -185,17 +190,17 @@ def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
 
 def generar_informe_completo(df_valid):
     """Generar un informe completo en formato markdown"""
-    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df_valid.columns if 'Real' in col][0]
 
     # Convertir a numérico
-    df_valid[col_predicha] = df_valid[col_predicha].astype(float)
+    df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
     df_valid[col_real] = df_valid[col_real].astype(float)
 
     # Calcular estadísticas
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real])
     r_squared = r_value ** 2
-    rmse = np.sqrt(((df_valid[col_real] - (intercept + slope * df_valid[col_predicha])) ** 2).mean())
+    rmse = np.sqrt(((df_valid[col_real] - (intercept + slope * df_valid[col_predicha_num])) ** 2).mean())
     cv = (df_valid[col_real].std() / df_valid[col_real].mean()) * 100  # CV de los valores reales
 
     # Evaluar calidad
@@ -231,21 +236,21 @@ def actualizar_analisis(df):
     if df is None or df.empty:
         return "Error en los datos", None, "No se pueden generar análisis"
 
-    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df.columns if 'Real' in col][0]
 
     # Convertir columnas a numérico
-    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
+    df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
     df[col_real] = pd.to_numeric(df[col_real], errors='coerce')
 
-    df_valid = df.dropna(subset=[col_predicha, col_real])
+    df_valid = df.dropna(subset=[col_predicha_num, col_real])
 
     if len(df_valid) < 2:
         return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis"
 
     # Calcular la regresión y agregar 'Ajuste Lineal'
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
-    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real])
+    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]
 
     fig = generar_graficos(df_valid)
     informe, estado = generar_informe_completo(df_valid)
@@ -345,14 +350,14 @@ def exportar_informe_latex(df_valid, informe_md):
 
 def exportar_word(df, informe_md):
     df_valid = df.copy()
-    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df_valid.columns if 'Real' in col][0]
 
     # Convertir columnas a numérico
-    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
+    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
     df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')
 
-    df_valid = df_valid.dropna(subset=[col_predicha, col_real])
+    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real])
 
     if df_valid.empty:
         return None
@@ -363,14 +368,14 @@ def exportar_word(df, informe_md):
 
 def exportar_latex(df, informe_md):
     df_valid = df.copy()
-    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_predicha_num = "Concentración Predicha Numérica"
     col_real = [col for col in df_valid.columns if 'Real' in col][0]
 
     # Convertir columnas a numérico
-    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
+    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
     df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')
 
-    df_valid = df_valid.dropna(subset=[col_predicha, col_real])
+    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real])
 
     if df_valid.empty:
         return None
@@ -406,9 +411,9 @@ def limpiar_datos():
 
 def generar_datos_sinteticos_evento(df):
     df = df.copy()
-    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
-    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
-    desviacion_std = 0.05 * df[col_predicha].mean()  # 5% de la media como desviación estándar
+    col_predicha_num = "Concentración Predicha Numérica"
+    df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
+    desviacion_std = 0.05 * df[col_predicha_num].mean()  # 5% de la media como desviación estándar
     df = generar_datos_sinteticos(df, desviacion_std)
     return df
 
@@ -417,8 +422,6 @@ def actualizar_tabla_evento(df, n_filas, concentracion, unidad):
     df_new = generar_tabla(n_filas, concentracion, unidad)
 
     # Mapear columnas
-    col_predicha_new = [col for col in df_new.columns if 'Concentración Predicha' in col][0]
-    col_predicha_old = [col for col in df.columns if 'Concentración Predicha' in col][0]
     col_real_new = [col for col in df_new.columns if 'Concentración Real' in col][0]
     col_real_old = [col for col in df.columns if 'Concentración Real' in col][0]
 
@@ -476,13 +479,12 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
 
         tabla_output = gr.DataFrame(
             row_count=(1, "dynamic"),
-            col_count=(5, "fixed"),
+            col_count=(6, "fixed"),
             wrap=True,
             label="Tabla de Datos",
             interactive=True,
-            datatype=["number", "number", "number", "number", "number"],
+            datatype=["number", "number", "number", "number", "str", "number"],
             type="pandas",
-            precision=0  # Establecer precisión inicial
         )
 
     with gr.Tab("📊 Análisis y Reporte"):