Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Jump to bottom

colab #53

Open
wants to merge 3 commits into
base: main
Choose a base branch
from
+11,097 −0
Open

colab #53

Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
3 commits
Select commit Hold shift + click to select a range
4d09b23
guardar cambios
Valehsyn May 21, 2024
ad2f804
Se creó con Colab
Valehsyn May 21, 2024
b53d811
guardar
Valehsyn May 21, 2024
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
275 changes: 275 additions & 0 deletions app.py
View file
Open in desktop
Original file line number Diff line number Diff line change
@@ -0,0 +1,275 @@
from flask import Flask, request, render_template, send_file
import pandas as pd
import os
import pickle
import zipfile

app = Flask(__name__)

zip_path = '/workspaces/proyecto_icfes_final/random_forest_classifier_default_42.zip'

# Nombre del archivo del modelo dentro del ZIP
model_filename = 'random_forest_classifier_default_42.sav'

# Abrir el archivo ZIP
with zipfile.ZipFile(zip_path, 'r') as zip_ref:
# Leer el archivo del modelo desde el ZIP sin extraerlo
with zip_ref.open(model_filename) as model_file:
# Cargar el modelo usando pickle
model = pickle.load(model_file)


#definir las categorias
categories = (
'EDAD',
'ESTU_COD_DEPTO_PRESENTACION',
'ESTU_DEDICACIONINTERNET',
'ESTU_DEDICACIONLECTURADIARIA',
'ESTU_DEPTO_RESIDE',
'ESTU_HORASSEMANATRABAJA',
'ESTU_TIPOREMUNERACION',
'FAMI_COMECARNEPESCADOHUEVO',
'FAMI_COMECEREALFRUTOSLEGUMBRE',
'FAMI_COMELECHEDERIVADOS',
'FAMI_CUARTOSHOGAR',
'FAMI_EDUCACIONMADRE',
'FAMI_EDUCACIONPADRE',
'FAMI_ESTRATOVIVIENDA',
'FAMI_NUMLIBROS',
'FAMI_PERSONASHOGAR',
'FAMI_SITUACIONECONOMICA',
'FAMI_TRABAJOLABORMADRE',
'FAMI_TRABAJOLABORPADRE',
'ESTU_GENERO',
'FAMI_TIENEINTERNET',
'FAMI_TIENECOMPUTADOR',
'FAMI_TIENEHORNOMICROOGAS',
'FAMI_TIENEMOTOCICLETA'
)

# Definir las respuestas
answers = {
'EDAD': [],
'ESTU_COD_DEPTO_PRESENTACION': ['AMAZONAS', 'ANTIOQUIA', 'ARAUCA', 'ATLANTICO', 'BOGOTÁ', 'BOLIVAR', 'BOYACA', 'CALDAS', 'CAQUETA', 'CASANARE', 'CAUCA', 'CESAR', 'CHOCO', 'CORDOBA', 'CUNDINAMARCA', 'GUAINIA', 'GUAVIARE', 'HUILA', 'LA GUAJIRA', 'MAGDALENA', 'META', 'NARIÑO', 'NORTE SANTANDER', 'PUTUMAYO', 'QUINDIO', 'RISARALDA', 'SANTANDER', 'SUCRE', 'TOLIMA', 'VALLE', 'VAUPES', 'VICHADA', 'SAN ANDRES'],
'ESTU_DEDICACIONINTERNET':['30 minutos o menos', 'Entre 1 y 3 horas', 'Entre 30 y 60 minutos', 'Más de 3 horas', 'No Navega Internet'],
'ESTU_DEDICACIONLECTURADIARIA': ['30 minutos o menos', 'Entre 1 y 2 horas', 'Entre 30 y 60 minutos', 'Más de 2 horas', 'No leo por entretenimiento'],
'ESTU_DEPTO_RESIDE': ['AMAZONAS', 'ANTIOQUIA', 'ARAUCA', 'ATLANTICO', 'BOGOTÁ', 'BOLIVAR', 'BOYACA', 'CALDAS', 'CAQUETA', 'CASANARE', 'CAUCA', 'CESAR', 'CHOCO', 'CORDOBA', 'CUNDINAMARCA', 'GUAINIA', 'GUAVIARE', 'HUILA', 'LA GUAJIRA', 'MAGDALENA', 'META', 'NARIÑO', 'NORTE SANTANDER', 'PUTUMAYO', 'QUINDIO', 'RISARALDA', 'SANTANDER', 'SUCRE', 'TOLIMA', 'VALLE', 'VAUPES', 'VICHADA', 'SAN ANDRES', 'EXTRANJERO'],
'ESTU_HORASSEMANATRABAJA': ['0 horas', 'Entre 11 y 20 horas', 'Entre 21 y 30 horas', 'Menos de 10 horas', 'Más de 30 horas'],
'ESTU_TIPOREMUNERACION': ['No', 'Si, en efectivo', 'Si, en efectivo y especie', 'Si, en especie'],
'FAMI_COMECARNEPESCADOHUEVO': ['1 o 2 veces por semana', '3 a 5 veces por semana', 'Nunca o rara vez comemos eso', 'Todos o casi todos los días'],
'FAMI_COMECEREALFRUTOSLEGUMBRE': ['1 o 2 veces por semana', '3 a 5 veces por semana', 'Nunca o rara vez comemos eso', 'Todos o casi todos los días'],
'FAMI_COMELECHEDERIVADOS': ['1 o 2 veces por semana', '3 a 5 veces por semana', 'Nunca o rara vez comemos eso', 'Todos o casi todos los días'],
'FAMI_CUARTOSHOGAR': ['Cinco', 'Cuatro', 'Dos', 'Seis o mas', 'Tres', 'Uno'],
'FAMI_EDUCACIONMADRE': ['Educación profesional completa', 'Educación profesional incompleta', 'Ninguno', 'No Aplica', 'No sabe', 'Postgrado', 'Primaria completa', 'Primaria incompleta', 'Secundaria (Bachillerato) completa', 'Secundaria (Bachillerato) incompleta', 'Técnica o tecnológica completa', 'Técnica o tecnológica incompleta'],
'FAMI_EDUCACIONPADRE': ['Educación profesional completa', 'Educación profesional incompleta', 'Ninguno', 'No Aplica', 'No sabe', 'Postgrado', 'Primaria completa', 'Primaria incompleta', 'Secundaria (Bachillerato) completa', 'Secundaria (Bachillerato) incompleta', 'Técnica o tecnológica completa', 'Técnica o tecnológica incompleta'],
'FAMI_ESTRATOVIVIENDA': ['Estrato 1', 'Estrato 2', 'Estrato 3', 'Estrato 4', 'Estrato 5', 'Estrato 6', 'Sin Estrato'],
'FAMI_NUMLIBROS': ['0 A 10 LIBROS', '11 A 25 LIBROS', '26 A 100 LIBROS', 'MÁS DE 100 LIBROS'],
'FAMI_PERSONASHOGAR': ['1 a 2', '3 a 4', '5 a 6', '7 a 8', '9 o más'],
'FAMI_SITUACIONECONOMICA': ['Igual', 'Mejor', 'Peor'],
'FAMI_TRABAJOLABORMADRE': ['Es agricultor, pesquero o jornalero', 'Es dueño de un negocio grande, tiene un cargo de nivel directivo o gerencial', 'Es dueño de un negocio pequeño (tiene pocos empleados o no tiene, por ejemplo tienda, papelería, etc', 'Es operario de máquinas o conduce vehículos (taxita, chofer)', 'Es vendedor o trabaja en atención al público', 'No aplica', 'No sabe', 'Pensionado', 'Tiene un trabajo de tipo auxiliar administrativo (por ejemplo, secretario o asistente)', 'Trabaja como personal de limpieza, mantenimiento, seguridad o construcción', 'Trabaja como profesional (por ejemplo médico, abogado, ingeniero)', 'Trabaja en el hogar, no trabaja o estudia', 'Trabaja por cuenta propia (por ejemplo plomero, electricista)'],
'FAMI_TRABAJOLABORPADRE': ['Es agricultor, pesquero o jornalero', 'Es dueño de un negocio grande, tiene un cargo de nivel directivo o gerencial', 'Es dueño de un negocio pequeño (tiene pocos empleados o no tiene, por ejemplo tienda, papelería, etc', 'Es operario de máquinas o conduce vehículos (taxita, chofer)', 'Es vendedor o trabaja en atención al público', 'No aplica', 'No sabe', 'Pensionado', 'Tiene un trabajo de tipo auxiliar administrativo (por ejemplo, secretario o asistente)', 'Trabaja como personal de limpieza, mantenimiento, seguridad o construcción', 'Trabaja como profesional (por ejemplo médico, abogado, ingeniero)', 'Trabaja en el hogar, no trabaja o estudia', 'Trabaja por cuenta propia (por ejemplo plomero, electricista)'],
'ESTU_GENERO': ['F', 'M'],
'FAMI_TIENEINTERNET': ['No', 'Si'],
'FAMI_TIENECOMPUTADOR': ['No', 'Si'],
'FAMI_TIENEHORNOMICROOGAS': ['No', 'Si'],
'FAMI_TIENEMOTOCICLETA': ['No', 'Si']
}

# Diccionario de mapeo de nombres de columnas a preguntas descriptivas
questions = {
'EDAD': '¿Que edad tiene?',
'ESTU_COD_DEPTO_PRESENTACION': '¿En que departamento presentó la prueba?',
'ESTU_DEDICACIONINTERNET': '¿Cuanto tiempo pasa en internet?',
'ESTU_DEDICACIONLECTURADIARIA': '¿Cuanto tiempo le dedica a la lectura diariamente?',
'ESTU_DEPTO_RESIDE': '¿En que departamento reside?',
'ESTU_HORASSEMANATRABAJA': '¿Trabaja?, ¿Por cuantas horas?',
'ESTU_TIPOREMUNERACION': 'Si trabaja, ¿Como le pagan?',
'FAMI_COMECARNEPESCADOHUEVO': '¿Cuantas veces a la semana come carne, pescado y/o huevo?',
'FAMI_COMECEREALFRUTOSLEGUMBRE': '¿Cuantas veces a la semana come cereal, frutos y/o legumbres?',
'FAMI_COMELECHEDERIVADOS': '¿Cuantas veces a la semana come leche o derivados de leche?',
'FAMI_CUARTOSHOGAR': '¿Cuantos cuartos hay en su hogar?',
'FAMI_EDUCACIONMADRE': '¿Que nivel educativo tiene su madre?',
'FAMI_EDUCACIONPADRE': '¿Que nivel educativo tiene su padre?',
'FAMI_ESTRATOVIVIENDA': '¿Cual es su estrato?',
'FAMI_NUMLIBROS': '¿Cuantos libros tiene?',
'FAMI_PERSONASHOGAR': '¿Cuantas personas viven con usted?',
'FAMI_SITUACIONECONOMICA': 'En comparación con el año anterior, ¿como esta la economia familiar hoy?',
'FAMI_TRABAJOLABORMADRE': '¿Mamá tiene empleo?, ¿Cual?',
'FAMI_TRABAJOLABORPADRE': '¿Papá tiene empleo?, ¿Cual?',
'ESTU_GENERO': '¿Con que género biologico nacio?',
'FAMI_TIENEINTERNET': '¿Tiene internet?',
'FAMI_TIENECOMPUTADOR': '¿Tiene computador?',
'FAMI_TIENEHORNOMICROOGAS': '¿Tiene horno, microondas y/o estufa a gas?',
'FAMI_TIENEMOTOCICLETA': '¿Tiene moto?'
}

answer_mapping = {
'EDAD': {},
'ESTU_COD_DEPTO_PRESENTACION': {
'AMAZONAS': 91, 'ANTIOQUIA': 5, 'ARAUCA': 81, 'ATLANTICO': 8,
'BOGOTÁ': 11, 'BOLIVAR': 13, 'BOYACA': 15, 'CALDAS': 17,
'CAQUETA': 18, 'CASANARE': 85, 'CAUCA': 19, 'CESAR': 20,
'CHOCO': 27, 'CORDOBA': 23, 'CUNDINAMARCA': 25, 'GUAINIA': 94,
'GUAVIARE': 95, 'HUILA': 41, 'LA GUAJIRA': 44, 'MAGDALENA': 47,
'META': 50, 'NARIÑO': 52, 'NORTE SANTANDER': 54, 'PUTUMAYO': 86,
'QUINDIO': 63, 'RISARALDA': 66, 'SANTANDER': 68, 'SUCRE': 70,
'TOLIMA': 73, 'VALLE': 76, 'VAUPES': 97, 'VICHADA': 99, 'SAN ANDRES': 88
},
'ESTU_DEDICACIONINTERNET':{
'30 minutos o menos': 0, 'Entre 1 y 3 horas': 1, 'Entre 30 y 60 minutos': 2,
'Más de 3 horas': 3, 'No Navega Internet': 4
},
'ESTU_DEDICACIONLECTURADIARIA': {
'30 minutos o menos': 0, 'Entre 1 y 2 horas': 1, 'Entre 30 y 60 minutos': 2,
'Más de 2 horas': 3, 'No leo por entretenimiento': 4
},
'ESTU_DEPTO_RESIDE': {
'AMAZONAS': 0, 'ANTIOQUIA': 1, 'ARAUCA': 2, 'ATLANTICO': 3,
'BOGOTÁ': 4, 'BOLIVAR': 5, 'BOYACA': 6, 'CALDAS': 7, 'CAQUETA': 8,
'CASANARE': 9, 'CAUCA': 10, 'CESAR': 11, 'CHOCO': 12,
'CORDOBA': 13, 'CUNDINAMARCA': 14, 'GUAINIA': 15, 'GUAVIARE': 16,
'HUILA': 17, 'LA GUAJIRA': 18, 'MAGDALENA': 19, 'META': 20,
'NARIÑO': 21, 'NORTE SANTANDER': 22, 'PUTUMAYO': 23, 'QUINDIO': 24,
'RISARALDA': 25, 'SANTANDER': 26, 'SUCRE': 27, 'TOLIMA': 28,
'VALLE': 29, 'VAUPES': 30, 'VICHADA': 31, 'SAN ANDRES': 32, 'EXTRANJERO': 33
},
'ESTU_HORASSEMANATRABAJA': {
'0 horas': 0, 'Entre 11 y 20 horas': 1, 'Entre 21 y 30 horas': 2,
'Menos de 10 horas': 3, 'Más de 30 horas': 4
},
'ESTU_TIPOREMUNERACION': {
'No': 0, 'Si, en efectivo': 1, 'Si, en efectivo y especie': 2, 'Si, en especie': 3
},
'FAMI_COMECARNEPESCADOHUEVO': {
'1 o 2 veces por semana': 0, '3 a 5 veces por semana': 1, 'Nunca o rara vez comemos eso': 2, 'Todos o casi todos los días': 3
},
'FAMI_COMECEREALFRUTOSLEGUMBRE': {
'1 o 2 veces por semana': 0, '3 a 5 veces por semana': 1, 'Nunca o rara vez comemos eso': 2, 'Todos o casi todos los días': 3
},
'FAMI_COMELECHEDERIVADOS': {
'1 o 2 veces por semana': 0, '3 a 5 veces por semana': 1, 'Nunca o rara vez comemos eso': 2, 'Todos o casi todos los días': 3
},
'FAMI_CUARTOSHOGAR': {
'Cinco': 0, 'Cuatro': 1, 'Dos': 2, 'Seis o mas': 2,
'Tres': 3, 'Uno': 4
},
'FAMI_EDUCACIONMADRE': {
'Educación profesional completa': 0, 'Educación profesional incompleta': 1, 'Ninguno': 2, 'No Aplica': 3,
'No sabe': 4, 'Postgrado': 5, 'Primaria completa': 6, 'Primaria incompleta': 7, 'Secundaria (Bachillerato) completa': 8,
'Secundaria (Bachillerato) incompleta': 9, 'Técnica o tecnológica completa': 10, 'Técnica o tecnológica incompleta': 11
},
'FAMI_EDUCACIONPADRE': {
'Educación profesional completa': 0, 'Educación profesional incompleta': 1, 'Ninguno': 2, 'No Aplica': 3,
'No sabe': 4, 'Postgrado': 5, 'Primaria completa': 6, 'Primaria incompleta': 7, 'Secundaria (Bachillerato) completa': 8,
'Secundaria (Bachillerato) incompleta': 9, 'Técnica o tecnológica completa': 10, 'Técnica o tecnológica incompleta': 11
},
'FAMI_ESTRATOVIVIENDA': {
'Estrato 1': 0, 'Estrato 2': 1, 'Estrato 3': 2, 'Estrato 4': 3,
'Estrato 5': 4, 'Estrato 6': 5, 'Sin Estrato': 6
},
'FAMI_NUMLIBROS': {
'0 A 10 LIBROS': 0, '11 A 25 LIBROS': 1, '26 A 100 LIBROS': 2, 'MÁS DE 100 LIBROS': 3
},
'FAMI_PERSONASHOGAR': {
'1 a 2': 0, '3 a 4': 1, '5 a 6': 2, '7 a 8': 3, '9 o más': 4
},
'FAMI_SITUACIONECONOMICA': {
'Igual': 0, 'Mejor': 1, 'Peor': 2
},
'FAMI_TRABAJOLABORMADRE': {
'Es agricultor, pesquero o jornalero': 0,
'Es dueño de un negocio grande, tiene un cargo de nivel directivo o gerencial': 1,
'Es dueño de un negocio pequeño (tiene pocos empleados o no tiene, por ejemplo tienda, papelería, etc': 2,
'Es operario de máquinas o conduce vehículos (taxita, chofer)': 3,
'Es vendedor o trabaja en atención al público': 4, 'No aplica': 5,
'No sabe': 6,
'Pensionado': 7,
'Tiene un trabajo de tipo auxiliar administrativo (por ejemplo, secretario o asistente)': 8,
'Trabaja como personal de limpieza, mantenimiento, seguridad o construcción': 9,
'Trabaja como profesional (por ejemplo médico, abogado, ingeniero)': 10,
'Trabaja en el hogar, no trabaja o estudia': 11, 'Trabaja por cuenta propia (por ejemplo plomero, electricista)': 12
},
'FAMI_TRABAJOLABORPADRE': {
'Es agricultor, pesquero o jornalero': 0,
'Es dueño de un negocio grande, tiene un cargo de nivel directivo o gerencial': 1,
'Es dueño de un negocio pequeño (tiene pocos empleados o no tiene, por ejemplo tienda, papelería, etc': 2,
'Es operario de máquinas o conduce vehículos (taxita, chofer)': 3, 'Es vendedor o trabaja en atención al público': 4,
'No aplica': 5, 'No sabe': 6, 'Pensionado': 7, 'Tiene un trabajo de tipo auxiliar administrativo (por ejemplo, secretario o asistente)': 8,
'Trabaja como personal de limpieza, mantenimiento, seguridad o construcción': 9, 'Trabaja como profesional (por ejemplo médico, abogado, ingeniero)': 10,
'Trabaja en el hogar, no trabaja o estudia': 11, 'Trabaja por cuenta propia (por ejemplo plomero, electricista)': 12
},
'ESTU_GENERO': {
'F': 0, 'M': 1
},
'FAMI_TIENEINTERNET': {
'No': 0, 'Si': 1
},
'FAMI_TIENECOMPUTADOR': {
'No': 0, 'Si': 1
},
'FAMI_TIENEHORNOMICROOGAS': {
'No': 0, 'Si': 1
},
'FAMI_TIENEMOTOCICLETA': {
'No': 0, 'Si': 1
}
}

#Quiero ser capaz de visualizar ambos dataframes, el numerico es el que el modelo usa para la predicción y el otro me permite ver los valores string, es decir, las opciones elegidas por los usuarios, para la visualizacion de datos.
original_data_df = pd.DataFrame(columns=categories)
numeric_data_df = pd.DataFrame(columns=categories)

@app.route('/', methods=["GET", "POST"])
def home():
prediction = None
input_data = {}
numeric_input_data = {} # Para almacenar valores numéricos

if request.method == "POST":
for feature, question in questions.items():
if feature == 'EDAD':
input_data[feature] = int(request.form[feature])
else:
input_data[feature] = request.form[feature]

# Convertir la respuesta a un valor numérico
if feature in answer_mapping:
numeric_input_data[feature] = answer_mapping[feature][input_data[feature]]
else:
numeric_input_data[feature] = input_data[feature]

# Convertir los datos del formulario a un DataFrame de Pandas
input_df = pd.DataFrame([numeric_input_data])

# Realizar predicción con el modelo
prediction = model.predict(input_df)[0]

# Añadir la predicción al input_data y numeric_input_data
input_data['PUNT_GLOBAL'] = prediction
numeric_input_data['PUNT_GLOBAL'] = prediction

# Agregar los datos originales al DataFrame
original_data_df.loc[len(original_data_df)] = input_data

# Agregar los datos numéricos al DataFrame
numeric_data_df.loc[len(numeric_data_df)] = numeric_input_data

return render_template("index.html", questions=questions, answers=answers, prediction=prediction)

# Rutas para descargar los archivos CSV
@app.route('/original_data_csv')
def download_original_data_csv():
# Guardar el DataFrame como un archivo CSV con los nombres de columnas de categories
original_data_df.to_csv('original_data.csv', index=False)
# Retornar el archivo CSV como una respuesta para descargar
return send_file('original_data.csv', as_attachment=True)

@app.route('/numeric_data_csv')
def download_numeric_data_csv():
# Guardar el DataFrame como un archivo CSV con los nombres de columnas de categories
numeric_data_df.to_csv('numeric_data.csv', index=False)
# Retornar el archivo CSV como una respuesta para descargar
return send_file('numeric_data.csv', as_attachment=True)

if __name__ == "__main__":
app.run(debug=True)
Loading