Update app.py

app.py

@@ -11,6 +11,7 @@ from sklearn.preprocessing import PolynomialFeatures
 from sklearn.metrics import r2_score
 from itertools import combinations
 import tempfile
+import pandas as pd
 
 # Clase para el modelo de regresión
 class RegressionModel:
@@ -27,7 +28,7 @@ class RegressionModel:
         X_poly = self.poly.transform(X)
         return self.model.predict(X_poly)
 
-    def r2_score(self, X, y):
+    def r2_score_calc(self, X, y):
         y_pred = self.predict(X)
         return r2_score(y, y_pred)
 
@@ -66,8 +67,8 @@ class ExperimentalDesign:
         self.model_variable1.fit(X, self.variable1_values)
         self.model_variable2.fit(X, self.variable2_values)
 
-        self.r2_variable1 = self.model_variable1.r2_score(X, self.variable1_values)
-        self.r2_variable2 = self.model_variable2.r2_score(X, self.variable2_values)
+        self.r2_variable1 = self.model_variable1.r2_score_calc(X, self.variable1_values)
+        self.r2_variable2 = self.model_variable2.r2_score_calc(X, self.variable2_values)
 
 # Clase para el análisis de teoría de grafos
 class GraphTheoryAnalysis:
@@ -83,12 +84,19 @@ class GraphTheoryAnalysis:
         if level > len(self.all_factors):
             level = len(self.all_factors)  # Ajustar el nivel al número de factores disponibles
 
-        for pair in combinations(self.all_factors, level):
-            if len(pair) >= 2:  # Asegurarse de que hay suficientes elementos para formar un par
-                self.experiment.set_active_factors(list(pair))
-                self.experiment.fit_models()
-                r2 = (self.experiment.r2_variable1 + self.experiment.r2_variable2) / 2
-                self.graph.add_edge(pair[0], pair[1], weight=r2)
+        for combo in combinations(self.all_factors, level):
+            if len(combo) >= 2:  # Asegurarse de que hay suficientes elementos para formar pares
+                # Crear todos los pares posibles dentro de la combinación
+                for pair in combinations(combo, 2):
+                    self.experiment.set_active_factors(list(pair))
+                    self.experiment.fit_models()
+                    r2 = (self.experiment.r2_variable1 + self.experiment.r2_variable2) / 2
+                    if self.graph.has_edge(pair[0], pair[1]):
+                        # Si la arista ya existe, tomar el valor máximo de R²
+                        existing_r2 = self.graph[pair[0]][pair[1]]['weight']
+                        self.graph[pair[0]][pair[1]]['weight'] = max(existing_r2, r2)
+                    else:
+                        self.graph.add_edge(pair[0], pair[1], weight=r2)
 
     def visualize_graph(self, style='Style 1'):
         pos = nx.spring_layout(self.graph)
@@ -190,7 +198,6 @@ def analyze_design(level, pb_design, bb_design, variable1_values, variable2_valu
     graph_image_path = optimizer.visualize_graph(style=style)
 
     # Identificar los 3 factores más activos basados en R²
-    # Aquí simplificamos tomando los factores con mayores R²
     factor_r2 = {}
     for factor in experiment.factor_values.keys():
         # Filtrar las aristas que contienen el factor
@@ -212,12 +219,30 @@ def analyze_design(level, pb_design, bb_design, variable1_values, variable2_valu
     # Crear dataframe de resultados
     bb_results = []
     for i, design in enumerate(bb_design_3f):
-        row = {**design}
+        row = design.copy()
         row['Response 1'] = round(simulated_response1[i], 3)
         row['Response 2'] = round(simulated_response2[i], 3)
         bb_results.append(row)
 
-    return graph_image_path, bb_design, gr.Dataframe.update(value=bb_results)
+    # Convertir bb_design_used a DataFrame para mostrar
+    if level == 3:
+        # Diseño generado dinámicamente para los 3 factores más relevantes
+        bb_design_used = bb_design_3f
+        headers = top_factors + ['Response 1', 'Response 2']
+    else:
+        # Usar el diseño Box-Behnken ingresado por el usuario para 4 factores
+        bb_design_used = []
+        for row in bb_design:
+            design_row = { 'X1': row[0], 'X2': row[1], 'X3': row[2], 'X4': row[3] }
+            bb_design_used.append(design_row)
+        headers = ['X1', 'X2', 'X3', 'X4', 'Response 1', 'Response 2']
+
+    # Crear DataFrame para la matriz Box-Behnken usada
+    df_bb_used = pd.DataFrame(bb_design_used)
+    # Agregar respuestas al DataFrame
+    df_bb_used[['Response 1', 'Response 2']] = pd.DataFrame(bb_results)[['Response 1', 'Response 2']]
+
+    return graph_image_path, df_bb_used, df_bb_used
 
 # Matriz Plackett-Burman (por defecto)
 default_pb_design = [
@@ -309,8 +334,8 @@ interface = gr.Interface(
     ],
     outputs=[
         gr.Image(label="Grafo de Relaciones entre Factores"),
-        gr.Dataframe(headers=["X1", "X2", "X3", "X4"], label="Matriz Box-Behnken Editada"),
-        gr.Dataframe(headers=["X1", "X2", "X3", "Response 1", "Response 2"], label="Datos Simulados para Box-Behnken")
+        gr.Dataframe(label="Matriz Box-Behnken Usada"),
+        gr.Dataframe(label="Datos Simulados para Box-Behnken")
     ],
     title="Análisis de Teoría de Grafos para Diseño Experimental",
     description="Analiza y visualiza las relaciones entre factores en un diseño experimental usando teoría de grafos. Además, genera y presenta datos simulados para un diseño Box-Behnken de 3 factores."