Update app.py

app.py

@@ -9,6 +9,7 @@ import docx
 from docx.shared import Inches, Pt
 from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
 import os
+import re
 
 def generar_tabla(n_filas, concentracion_inicial, unidad_medida, n_replicas):
     valores_base = [1.000, 0.800, 0.600, 0.400, 0.200, 0.100, 0.050]
@@ -56,87 +57,43 @@ def ajustar_decimales_evento(df, decimales):
             pass
     return df
 
-def calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales):
-    df = df.copy()
-    # Obtener las columnas de réplicas
-    col_replicas = [f"Concentración Real {i} ({unidad_medida})" for i in range(1, n_replicas + 1)]
-    # Convertir a numérico
-    for col in col_replicas:
-        df[col] = pd.to_numeric(df[col], errors='coerce')
-
-    # Calcular el promedio y la desviación estándar
-    df[f"Concentración Real Promedio ({unidad_medida})"] = df[col_replicas].mean(axis=1)
-
-    if n_replicas > 1:
-        df[f"Desviación Estándar ({unidad_medida})"] = df[col_replicas].std(ddof=1, axis=1)
-    else:
-        df[f"Desviación Estándar ({unidad_medida})"] = 0.0
-
-    # Redondear al número de decimales especificado
-    df[f"Concentración Real Promedio ({unidad_medida})"] = df[f"Concentración Real Promedio ({unidad_medida})"].round(decimales)
-    df[f"Desviación Estándar ({unidad_medida})"] = df[f"Desviación Estándar ({unidad_medida})"].round(decimales)
-
-    return df
-
-def generar_graficos(df_valid, n_replicas, unidad_medida, palette_puntos, estilo_puntos,
+def generar_graficos(df_valid, unidad_medida, col_absorbancia, palette_puntos, estilo_puntos,
                      palette_linea_ajuste, estilo_linea_ajuste,
-                     palette_linea_ideal, estilo_linea_ideal,
-                     palette_barras_error, mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos):
+                     mostrar_linea_ajuste, mostrar_puntos):
     col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
-    col_desviacion = f"Desviación Estándar ({unidad_medida})"
 
     # Convertir a numérico
     df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
-    df_valid[col_real_promedio] = df_valid[col_real_promedio].astype(float)
-    df_valid[col_desviacion] = df_valid[col_desviacion].fillna(0).astype(float)
+    df_valid[col_absorbancia] = df_valid[col_absorbancia].astype(float)
 
     # Calcular regresión lineal
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_absorbancia])
     df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]
 
     # Configurar estilos
     sns.set(style="whitegrid")
     plt.rcParams.update({'figure.autolayout': True})
 
-    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
+    fig, ax1 = plt.subplots(figsize=(7, 6))
 
     # Obtener colores de las paletas
     colors_puntos = sns.color_palette(palette_puntos, as_cmap=False)
     colors_linea_ajuste = sns.color_palette(palette_linea_ajuste, as_cmap=False)
-    colors_linea_ideal = sns.color_palette(palette_linea_ideal, as_cmap=False)
-    colors_barras_error = sns.color_palette(palette_barras_error, as_cmap=False)
 
     # Seleccionar colores
     color_puntos = colors_puntos[0]
     color_linea_ajuste = colors_linea_ajuste[0]
-    color_linea_ideal = colors_linea_ideal[0]
-    color_barras_error = colors_barras_error[0]
 
     # Gráfico de dispersión con línea de regresión
     if mostrar_puntos:
-        if n_replicas > 1:
-            # Incluir barras de error
-            ax1.errorbar(
-                df_valid[col_predicha_num],
-                df_valid[col_real_promedio],
-                yerr=df_valid[col_desviacion],
-                fmt=estilo_puntos,
-                color=color_puntos,
-                ecolor=color_barras_error,
-                elinewidth=2,
-                capsize=3,
-                label='Datos Reales'
-            )
-        else:
-            ax1.scatter(
-                df_valid[col_predicha_num],
-                df_valid[col_real_promedio],
-                color=color_puntos,
-                s=100,
-                label='Datos Reales',
-                marker=estilo_puntos
-            )
+        ax1.scatter(
+            df_valid[col_predicha_num],
+            df_valid[col_absorbancia],
+            color=color_puntos,
+            s=100,
+            label='Datos',
+            marker=estilo_puntos
+        )
 
     # Línea de ajuste
     if mostrar_linea_ajuste:
@@ -149,21 +106,9 @@ def generar_graficos(df_valid, n_replicas, unidad_medida, palette_puntos, estilo
             linestyle=estilo_linea_ajuste
         )
 
-    # Línea ideal
-    if mostrar_linea_ideal:
-        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],
-            color=color_linea_ideal,
-            linestyle=estilo_linea_ideal,
-            label='Ideal'
-        )
-
-    ax1.set_title('Correlación entre Concentración Predicha y Real', fontsize=14)
+    ax1.set_title('Correlación entre Concentración Predicha y Absorbancia', fontsize=14)
     ax1.set_xlabel('Concentración Predicha', fontsize=12)
-    ax1.set_ylabel('Concentración Real Promedio', fontsize=12)
+    ax1.set_ylabel('Absorbancia', fontsize=12)
 
     # Añadir ecuación y R² en el gráfico
     ax1.annotate(
@@ -178,23 +123,6 @@ def generar_graficos(df_valid, n_replicas, unidad_medida, palette_puntos, estilo
     # Posicionar la leyenda
     ax1.legend(loc='lower right', fontsize=10)
 
-    # Gráfico de residuos
-    residuos = df_valid[col_real_promedio] - df_valid['Ajuste Lineal']
-    ax2.scatter(
-        df_valid[col_predicha_num],
-        residuos,
-        color=color_puntos,
-        s=100,
-        marker=estilo_puntos,
-        label='Residuos'
-    )
-
-    ax2.axhline(y=0, color='black', linestyle='--', linewidth=1)
-    ax2.set_title('Gráfico de Residuos', fontsize=14)
-    ax2.set_xlabel('Concentración Predicha', fontsize=12)
-    ax2.set_ylabel('Residuo', fontsize=12)
-    ax2.legend(loc='upper right', fontsize=10)
-
     plt.tight_layout()
     plt.savefig('grafico.png')  # Guardar el gráfico para incluirlo en el informe
     return fig
@@ -227,20 +155,19 @@ def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
 
     return evaluacion
 
-def generar_informe_completo(df_valid, n_replicas, unidad_medida):
+def generar_informe_completo(df_valid, unidad_medida, col_absorbancia):
     """Generar un informe completo en formato markdown"""
     col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
 
     # Convertir a numérico
     df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
-    df_valid[col_real_promedio] = df_valid[col_real_promedio].astype(float)
+    df_valid[col_absorbancia] = df_valid[col_absorbancia].astype(float)
 
     # Calcular estadísticas
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_absorbancia])
     r_squared = r_value ** 2
-    rmse = np.sqrt(((df_valid[col_real_promedio] - (intercept + slope * df_valid[col_predicha_num])) ** 2).mean())
-    cv = (df_valid[col_real_promedio].std() / df_valid[col_real_promedio].mean()) * 100  # CV de los valores reales
+    rmse = np.sqrt(((df_valid[col_absorbancia] - (intercept + slope * df_valid[col_predicha_num])) ** 2).mean())
+    cv = (df_valid[col_absorbancia].std() / df_valid[col_absorbancia].mean()) * 100  # CV de los valores
 
     # Evaluar calidad
     evaluacion = evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv)
@@ -271,7 +198,7 @@ Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}
 """
     return informe, evaluacion['estado']
 
-def actualizar_analisis(df, n_replicas, unidad_medida, filas_seleccionadas, decimales):
+def actualizar_analisis(df, unidad_medida, filas_seleccionadas, decimales, absorbancia_seleccionada):
     if df is None or df.empty:
         return "Error en los datos", None, "No se pueden generar análisis", df
 
@@ -281,67 +208,64 @@ def actualizar_analisis(df, n_replicas, unidad_medida, filas_seleccionadas, deci
 
     indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]
 
-    # Calcular promedio y desviación estándar dependiendo de las réplicas
-    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)
-
+    # Usar la columna de absorbancia seleccionada
     col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
+    col_absorbancia = absorbancia_seleccionada
+
+    if col_absorbancia not in df.columns:
+        return "La columna seleccionada no existe en los datos", None, "Error en los datos", df
 
     # Convertir columnas a numérico
     df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
-    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')
+    df[col_absorbancia] = pd.to_numeric(df[col_absorbancia], errors='coerce')
 
-    df_valid = df.dropna(subset=[col_predicha_num, col_real_promedio])
+    df_valid = df.dropna(subset=[col_predicha_num, col_absorbancia])
 
-    # Resetear el índice para asegurar que sea secuencial
+    # Resetear el índice
     df_valid.reset_index(drop=True, inplace=True)
 
     # Filtrar filas según las seleccionadas
     df_valid = df_valid.loc[indices_seleccionados]
 
     if len(df_valid) < 2:
-        return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis", df
+        return "Se necesitan más datos", None, "Se requieren al menos dos valores para el análisis", df
 
-    # Calcular la regresión y agregar 'Ajuste Lineal'
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
+    # Calcular regresión lineal
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_absorbancia])
     df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]
 
     # Generar gráfico con opciones predeterminadas
     fig = generar_graficos(
-        df_valid, n_replicas, unidad_medida,
+        df_valid, unidad_medida, col_absorbancia,
         palette_puntos='deep', estilo_puntos='o',
         palette_linea_ajuste='muted', estilo_linea_ajuste='-',
-        palette_linea_ideal='bright', estilo_linea_ideal='--',
-        palette_barras_error='pastel',
         mostrar_linea_ajuste=True,
-        mostrar_linea_ideal=False,  # Línea Ideal desmarcada por defecto
         mostrar_puntos=True
     )
-    informe, estado = generar_informe_completo(df_valid, n_replicas, unidad_medida)
+    informe, estado = generar_informe_completo(df_valid, unidad_medida, col_absorbancia)
 
     return estado, fig, informe, df
 
-def actualizar_graficos(df, n_replicas, unidad_medida,
+def actualizar_graficos(df, unidad_medida,
                         palette_puntos, estilo_puntos,
                         palette_linea_ajuste, estilo_linea_ajuste,
-                        palette_linea_ideal, estilo_linea_ideal,
-                        palette_barras_error,
-                        mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos,
-                        filas_seleccionadas, decimales):
+                        mostrar_linea_ajuste, mostrar_puntos,
+                        filas_seleccionadas, decimales, absorbancia_seleccionada):
     if df is None or df.empty:
         return None
 
     # Asegurarse de que los cálculos estén actualizados
-    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)
-
     col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
+    col_absorbancia = absorbancia_seleccionada
+
+    if col_absorbancia not in df.columns:
+        return None
 
     # Convertir columnas a numérico
     df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
-    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')
+    df[col_absorbancia] = pd.to_numeric(df[col_absorbancia], errors='coerce')
 
-    df_valid = df.dropna(subset=[col_predicha_num, col_real_promedio])
+    df_valid = df.dropna(subset=[col_predicha_num, col_absorbancia])
 
     # Resetear el índice para asegurar que sea secuencial
     df_valid.reset_index(drop=True, inplace=True)
@@ -360,411 +284,56 @@ def actualizar_graficos(df, n_replicas, unidad_medida,
 
     # Generar gráfico con opciones seleccionadas
     fig = generar_graficos(
-        df_valid, n_replicas, unidad_medida,
+        df_valid, unidad_medida, col_absorbancia,
         palette_puntos, estilo_puntos,
         palette_linea_ajuste, estilo_linea_ajuste,
-        palette_linea_ideal, estilo_linea_ideal,
-        palette_barras_error,
-        mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos
+        mostrar_linea_ajuste, mostrar_puntos
     )
 
     return fig
 
-def exportar_informe_word(df_valid, informe_md, unidad_medida):
-    # Crear documento Word
-    doc = docx.Document()
-
-    # Estilos APA 7
-    style = doc.styles['Normal']
-    font = style.font
-    font.name = 'Times New Roman'
-    font.size = Pt(12)
-
-    # Título centrado
-    titulo = doc.add_heading('Informe de Calibración', 0)
-    titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
-
-    # Fecha
-    fecha = doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}")
-    fecha.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
-
-    # Insertar gráfico
-    if os.path.exists('grafico.png'):
-        doc.add_picture('grafico.png', width=Inches(6))
-        ultimo_parrafo = doc.paragraphs[-1]
-        ultimo_parrafo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
-
-        # Leyenda del gráfico en estilo APA 7
-        leyenda = doc.add_paragraph('Figura 1. Gráfico de calibración.')
-        leyenda_format = leyenda.paragraph_format
-        leyenda_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
-        leyenda.style = doc.styles['Caption']
-
-    # Agregar contenido del informe
-    doc.add_heading('Resumen Estadístico', level=1)
-    for linea in informe_md.split('\n'):
-        if linea.startswith('##'):
-            doc.add_heading(linea.replace('##', '').strip(), level=2)
-        else:
-            doc.add_paragraph(linea)
-
-    # Añadir tabla de datos
-    doc.add_heading('Tabla de Datos de Calibración', level=1)
-
-    # Convertir DataFrame a lista de listas
-    tabla_datos = df_valid.reset_index(drop=True)
-    tabla_datos = tabla_datos.round(4)  # Redondear a 4 decimales si es necesario
-    columnas = tabla_datos.columns.tolist()
-    registros = tabla_datos.values.tolist()
-
-    # Crear tabla en Word
-    tabla = doc.add_table(rows=1 + len(registros), cols=len(columnas))
-    tabla.style = 'Table Grid'
-
-    # Añadir los encabezados
-    hdr_cells = tabla.rows[0].cells
-    for idx, col_name in enumerate(columnas):
-        hdr_cells[idx].text = col_name
-
-    # Añadir los registros
-    for i, registro in enumerate(registros):
-        row_cells = tabla.rows[i + 1].cells
-        for j, valor in enumerate(registro):
-            row_cells[j].text = str(valor)
-
-    # Formatear fuente de la tabla
-    for row in tabla.rows:
-        for cell in row.cells:
-            for paragraph in cell.paragraphs:
-                paragraph.style = doc.styles['Normal']
-
-    # Guardar documento
-    filename = 'informe_calibracion.docx'
-    doc.save(filename)
-    return filename
-
-def exportar_informe_latex(df_valid, informe_md):
-    # Generar código LaTeX
-    informe_tex = r"""\documentclass{article}
-\usepackage[spanish]{babel}
-\usepackage{amsmath}
-\usepackage{graphicx}
-\usepackage{booktabs}
-\begin{document}
-"""
-    informe_tex += informe_md.replace('#', '').replace('**', '\\textbf{').replace('*', '\\textit{')
-    informe_tex += r"""
-\end{document}
-"""
-    filename = 'informe_calibracion.tex'
-    with open(filename, 'w') as f:
-        f.write(informe_tex)
-    return filename
-
-def exportar_word(df, informe_md, unidad_medida, filas_seleccionadas):
-    df_valid = df.copy()
-    col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
-
-    # Convertir columnas a numérico
-    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
-    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')
-
-    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real_promedio])
-
-    # Resetear el índice
-    df_valid.reset_index(drop=True, inplace=True)
-
-    # Convertir filas_seleccionadas a índices
-    if not filas_seleccionadas:
-        return None
-
-    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]
-
-    # Filtrar filas según las seleccionadas
-    df_valid = df_valid.loc[indices_seleccionados]
-
-    if df_valid.empty:
-        return None
-
-    filename = exportar_informe_word(df_valid, informe_md, unidad_medida)
-
-    return filename  # Retornamos el nombre del archivo
-
-def exportar_latex(df, informe_md, filas_seleccionadas):
-    df_valid = df.copy()
-    col_predicha_num = "Concentración Predicha Numérica"
-    col_real_promedio = [col for col in df_valid.columns if 'Real Promedio' in col][0]
-
-    # Convertir columnas a numérico
-    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
-    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')
-
-    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real_promedio])
-
-    # Resetear el índice
-    df_valid.reset_index(drop=True, inplace=True)
-
-    # Convertir filas_seleccionadas a índices
-    if not filas_seleccionadas:
-        return None
-
-    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]
-
-    # Filtrar filas según las seleccionadas
-    df_valid = df_valid.loc[indices_seleccionados]
-
-    if df_valid.empty:
-        return None
-
-    filename = exportar_informe_latex(df_valid, informe_md)
-
-    return filename  # Retornamos el nombre del archivo
-
-def cargar_ejemplo_ufc(n_replicas):
-    df = generar_tabla(7, 2000000, "UFC", n_replicas)
-    # Valores reales de ejemplo
-    for i in range(1, n_replicas + 1):
-        valores_reales = [2000000 - (i - 1) * 10000, 1600000 - (i - 1) * 8000, 1200000 - (i - 1) * 6000,
-                          800000 - (i - 1) * 4000, 400000 - (i - 1) * 2000, 200000 - (i - 1) * 1000,
-                          100000 - (i - 1) * 500]
-        df[f"Concentración Real {i} (UFC)"] = valores_reales
-    return 2000000, "UFC", 7, df
-
-def cargar_ejemplo_od(n_replicas):
-    df = generar_tabla(7, 1.000, "OD", n_replicas)
-    # Valores reales de ejemplo
-    for i in range(1, n_replicas + 1):
-        valores_reales = [1.000 - (i - 1) * 0.050, 0.800 - (i - 1) * 0.040, 0.600 - (i - 1) * 0.030,
-                          0.400 - (i - 1) * 0.020, 0.200 - (i - 1) * 0.010, 0.100 - (i - 1) * 0.005,
-                          0.050 - (i - 1) * 0.002]
-        df[f"Concentración Real {i} (OD)"] = valores_reales
-    return 1.000, "OD", 7, df
-
-def limpiar_datos(n_replicas):
-    df = generar_tabla(7, 2000000, "UFC", n_replicas)
-    return (
-        2000000,   # Concentración Inicial
-        "UFC",     # Unidad de Medida
-        7,         # Número de filas
-        df,        # Tabla Output
-        "",        # Estado Output
-        None,      # Gráficos Output
-        ""         # Informe Output
-    )
-
-def generar_datos_sinteticos_evento(df, n_replicas, unidad_medida):
-    df = df.copy()
-    col_predicha_num = "Concentración Predicha Numérica"
-
-    # Generar datos sintéticos para cada réplica
-    for i in range(1, n_replicas + 1):
-        col_real = f"Concentración Real {i} ({unidad_medida})"
-        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
-        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, 3)
-        df[col_real] = datos_sinteticos
-
-    return df
-
-def actualizar_tabla_evento(df, n_filas, concentracion, unidad, n_replicas, decimales):
-    # Actualizar tabla sin borrar "Concentración Real"
-    df_new = generar_tabla(n_filas, concentracion, unidad, n_replicas)
-
-    # Mapear columnas
-    col_real_new = [col for col in df_new.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col]
-    col_real_old = [col for col in df.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col]
-
-    # Reemplazar valores existentes en "Concentración Real"
-    for col_new, col_old in zip(col_real_new, col_real_old):
-        df_new[col_new] = None
-        for idx in df_new.index:
-            if idx in df.index:
-                df_new.at[idx, col_new] = df.at[idx, col_old]
-
-    # Ajustar decimales
-    df_new = ajustar_decimales_evento(df_new, decimales)
-
-    return df_new
-
 def cargar_excel(file):
     # Leer el archivo Excel
-    df = pd.read_excel(file.name, sheet_name=None)
-
-    # Verificar que el archivo tenga al menos dos pestañas
-    if len(df) < 2:
-        return "El archivo debe tener al menos dos pestañas.", None, None, None, None, None, None
+    df = pd.read_excel(file.name, sheet_name=0)  # Leer la primera pestaña
+
+    # Verificar que las columnas 'Absorbancia' existan
+    absorbancia_columns = [col for col in df.columns if 'Absorbancia' in col]
+    if not absorbancia_columns:
+        return "El archivo debe tener columnas 'Absorbancia'", None, None, None, None, None, None, None, None
+
+    # Obtener concentración inicial y unidad de medida desde el nombre de la primera columna
+    first_column_name = df.columns[0]
+    try:
+        # Extraer concentración y unidad
+        match = re.search(r'\(([\d\.]+)\s*(\w+)\)', first_column_name)
+        if match:
+            concentracion_inicial = float(match.group(1))
+            unidad_medida = match.group(2)
+        else:
+            concentracion_inicial = 0
+            unidad_medida = ''
+    except:
+        concentracion_inicial = 0
+        unidad_medida = ''
 
-    # Obtener la primera pestaña como referencia
-    primera_pestaña = next(iter(df.values()))
-    concentracion_inicial = primera_pestaña.iloc[0, 0]
-    unidad_medida = primera_pestaña.columns[0].split('(')[-1].split(')')[0]
-    n_filas = len(primera_pestaña)
-    n_replicas = len(df)
+    n_filas = len(df)
+    n_replicas = 1  # Solo se selecciona una columna de absorbancia para el análisis
 
     # Generar la tabla base
     df_base = generar_tabla(n_filas, concentracion_inicial, unidad_medida, n_replicas)
 
-    # Llenar la tabla con los datos de cada pestaña
-    for i, (sheet_name, sheet_df) in enumerate(df.items(), start=1):
-        col_real = f"Concentración Real {i} ({unidad_medida})"
-        df_base[col_real] = sheet_df.iloc[:, 1].values
-
-    return concentracion_inicial, unidad_medida, n_filas, n_replicas, df_base, "", None, ""
-
-def calcular_regresion_tabla_principal(df, unidad_medida, filas_seleccionadas_regresion,
-                                       palette_puntos, estilo_puntos,
-                                       palette_linea_ajuste, estilo_linea_ajuste,
-                                       mostrar_linea_ajuste, mostrar_puntos,
-                                       legend_location, decimales,
-                                       titulo_grafico_original, titulo_grafico_personalizado,
-                                       eje_x_original, eje_y_original,
-                                       eje_x_personalizado, eje_y_personalizado):
-    if df is None or df.empty:
-        return "Datos insuficientes", None, None, None
-
-    col_concentracion = "Concentración Predicha Numérica"
-    col_absorbancia = f"Concentración Real Promedio ({unidad_medida})"
-    col_desviacion = f"Desviación Estándar ({unidad_medida})"
-
-    # Calcular promedio y desviación estándar si es necesario
-    n_replicas = len([col for col in df.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col])
-    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)
-
-    # Convertir columnas a numérico
-    df[col_concentracion] = pd.to_numeric(df[col_concentracion], errors='coerce')
-    df[col_absorbancia] = pd.to_numeric(df[col_absorbancia], errors='coerce')
-    df[col_desviacion] = pd.to_numeric(df[col_desviacion], errors='coerce')
-
-    df_valid = df.dropna(subset=[col_concentracion, col_absorbancia])
-
-    # Resetear el índice para asegurar que sea secuencial
-    df_valid.reset_index(drop=True, inplace=True)
-
-    # Asegurar que el gráfico original tenga todos los puntos
-    df_original = df_valid.copy()
-
-    # Convertir filas_seleccionadas a índices
-    if not filas_seleccionadas_regresion:
-        return "Se necesitan más datos", None, None, None
-
-    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas_regresion]
-
-    # Filtrar filas según las seleccionadas para el gráfico personalizado
-    df_valid = df_valid.loc[indices_seleccionados]
-
-    if len(df_valid) < 2:
-        return "Se requieren al menos dos puntos para calcular la regresión", None, None, None
-
-    # Calcular regresión lineal para el gráfico personalizado
-    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_concentracion], df_valid[col_absorbancia])
-
-    # Generar gráfico original (con todos los puntos)
-    sns.set(style="whitegrid")
-    fig_original, ax_original = plt.subplots(figsize=(8, 6))
-
-    ax_original.errorbar(
-        df_original[col_concentracion],
-        df_original[col_absorbancia],
-        yerr=df_original[col_desviacion],
-        fmt='o',
-        color='blue',
-        ecolor='gray',
-        elinewidth=1,
-        capsize=3,
-        label='Datos'
-    )
-
-    # Calcular regresión para todos los puntos
-    slope_all, intercept_all, r_value_all, p_value_all, std_err_all = stats.linregress(df_original[col_concentracion], df_original[col_absorbancia])
-
-    ax_original.plot(
-        df_original[col_concentracion],
-        intercept_all + slope_all * df_original[col_concentracion],
-        color='red',
-        linestyle='-',
-        label='Ajuste Lineal'
-    )
-
-    # Título y etiquetas personalizadas para el gráfico original
-    ax_original.set_xlabel(eje_x_original if eje_x_original else 'Concentración Predicha Numérica')
-    ax_original.set_ylabel(eje_y_original if eje_y_original else f'Concentración Real Promedio ({unidad_medida})')
-    ax_original.set_title(titulo_grafico_original if titulo_grafico_original else 'Regresión Lineal: Concentración Real vs Concentración Predicha (Original)')
-
-    # Posicionar la leyenda según la opción seleccionada (por defecto 'lower right')
-    ax_original.legend(loc=legend_location)
-
-    # Añadir ecuación y R² en el gráfico
-    ax_original.annotate(
-        f'y = {intercept_all:.4f} + {slope_all:.4f}x\n$R^2$ = {r_value_all**2:.4f}',
-        xy=(0.05, 0.95),
-        xycoords='axes fraction',
-        fontsize=12,
-        backgroundcolor='white',
-        verticalalignment='top'
-    )
-
-    # Generar gráfico personalizado
-    sns.set(style="whitegrid")
-    fig_personalizado, ax_personalizado = plt.subplots(figsize=(8, 6))
-
-    # Obtener colores de las paletas
-    colors_puntos = sns.color_palette(palette_puntos, as_cmap=False)
-    colors_linea_ajuste = sns.color_palette(palette_linea_ajuste, as_cmap=False)
-
-    color_puntos = colors_puntos[0]
-    color_linea_ajuste = colors_linea_ajuste[0]
-
-    if mostrar_puntos:
-        ax_personalizado.errorbar(
-            df_valid[col_concentracion],
-            df_valid[col_absorbancia],
-            yerr=df_valid[col_desviacion],
-            fmt=estilo_puntos,
-            color=color_puntos,
-            ecolor='gray',
-            elinewidth=1,
-            capsize=3,
-            label='Datos'
-        )
-
-    if mostrar_linea_ajuste:
-        ax_personalizado.plot(
-            df_valid[col_concentracion],
-            intercept + slope * df_valid[col_concentracion],
-            color=color_linea_ajuste,
-            linestyle=estilo_linea_ajuste,
-            label='Ajuste Lineal'
-        )
-
-    # Título y etiquetas personalizadas para el gráfico personalizado
-    ax_personalizado.set_xlabel(eje_x_personalizado if eje_x_personalizado else 'Concentración Predicha Numérica')
-    ax_personalizado.set_ylabel(eje_y_personalizado if eje_y_personalizado else f'Concentración Real Promedio ({unidad_medida})')
-    ax_personalizado.set_title(titulo_grafico_personalizado if titulo_grafico_personalizado else 'Regresión Lineal Personalizada')
-
-    # Posicionar la leyenda según la opción seleccionada
-    ax_personalizado.legend(loc=legend_location)
-
-    # Añadir ecuación y R² en el gráfico
-    ax_personalizado.annotate(
-        f'y = {intercept:.4f} + {slope:.4f}x\n$R^2$ = {r_value**2:.4f}',
-        xy=(0.05, 0.95),
-        xycoords='axes fraction',
-        fontsize=12,
-        backgroundcolor='white',
-        verticalalignment='top'
-    )
+    # Copiar las columnas relevantes al DataFrame base
+    for col in df.columns:
+        if col in df_base.columns:
+            df_base[col] = df[col]
+        else:
+            df_base[col] = df[col]
 
-    # Crear tabla resumida
-    df_resumen = df_valid[[col_concentracion, col_absorbancia, col_desviacion]].copy()
-    df_resumen.columns = ['Concentración Predicha', 'Absorbancia Promedio', 'Desviación Estándar']
+    # Obtener las opciones de absorbancia
+    absorbancia_options = absorbancia_columns  # Nombres tal como aparecen en el archivo Excel
 
-    return "Regresión calculada exitosamente", fig_original, fig_personalizado, df_resumen
+    return concentracion_inicial, unidad_medida, n_filas, n_replicas, df_base, absorbancia_options, "", None, ""
 
-# Función corregida para actualizar las opciones de filas
 def actualizar_opciones_filas(df):
     if df is None or df.empty:
         update = gr.update(choices=[], value=[])
@@ -825,6 +394,12 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
             sinteticos_btn = gr.Button("🧪 Generar Datos Sintéticos", variant="secondary")
             cargar_excel_btn = gr.UploadButton("📂 Cargar Excel", file_types=[".xlsx"], variant="secondary")
 
+        absorbancia_dropdown = gr.Dropdown(
+            label="Seleccione la Absorbancia para el análisis",
+            choices=[],
+            value=None
+        )
+
         tabla_output = gr.DataFrame(
             wrap=True,
             label="Tabla de Datos",
@@ -836,16 +411,13 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
         estado_output = gr.Textbox(label="Estado", interactive=False)
         graficos_output = gr.Plot(label="Gráficos de Análisis")
 
-        # Reemplazar Multiselect por CheckboxGroup
         filas_seleccionadas = gr.CheckboxGroup(
             label="Seleccione las filas a incluir en el análisis",
             choices=[],
             value=[],
         )
 
-        # Opciones y botones debajo del gráfico
         with gr.Row():
-            # Paletas de colores disponibles en Seaborn
             paletas_colores = ["deep", "muted", "pastel", "bright", "dark", "colorblind", "Set1", "Set2", "Set3"]
 
             palette_puntos_dropdown = gr.Dropdown(
@@ -870,23 +442,7 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
             )
 
         with gr.Row():
-            palette_linea_ideal_dropdown = gr.Dropdown(
-                choices=paletas_colores,
-                value="bright",
-                label="Paleta Línea Ideal"
-            )
-            estilo_linea_ideal_dropdown = gr.Dropdown(
-                choices=["--", "-", "-.", ":"],
-                value="--",
-                label="Estilo Línea Ideal"
-            )
-            palette_barras_error_dropdown = gr.Dropdown(
-                choices=paletas_colores,
-                value="pastel",
-                label="Paleta Barras de Error"
-            )
             mostrar_linea_ajuste = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste")
-            mostrar_linea_ideal = gr.Checkbox(value=False, label="Mostrar Línea Ideal")  # Desmarcado por defecto
             mostrar_puntos = gr.Checkbox(value=True, label="Mostrar Puntos")
             graficar_btn = gr.Button("📊 Graficar", variant="primary")
 
@@ -899,106 +455,19 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
             exportar_word_file = gr.File(label="Informe en Word")
             exportar_latex_file = gr.File(label="Informe en LaTeX")
 
-        # Informe al final
         informe_output = gr.Markdown(elem_id="informe_output")
 
-    with gr.Tab("📈 Regresión Absorbancia vs Concentración"):
-        gr.Markdown("## Ajuste de Regresión utilizando datos de la Tabla Principal")
-
-        # Casillas para seleccionar filas
-        filas_seleccionadas_regresion = gr.CheckboxGroup(
-            label="Seleccione las filas a incluir en el análisis de regresión",
-            choices=[],
-            value=[],
-        )
-
-        # Opciones de personalización
-        with gr.Row():
-            paletas_colores = ["deep", "muted", "pastel", "bright", "dark", "colorblind", "Set1", "Set2", "Set3"]
-            palette_puntos_regresion = gr.Dropdown(
-                choices=paletas_colores,
-                value="deep",
-                label="Paleta para Puntos"
-            )
-            estilo_puntos_regresion = gr.Dropdown(
-                choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"],
-                value="o",
-                label="Estilo de Puntos"
-            )
-            palette_linea_ajuste_regresion = gr.Dropdown(
-                choices=paletas_colores,
-                value="muted",
-                label="Paleta Línea de Ajuste"
-            )
-            estilo_linea_ajuste_regresion = gr.Dropdown(
-                choices=["-", "--", "-.", ":"],
-                value="-",
-                label="Estilo Línea de Ajuste"
-            )
-            mostrar_linea_ajuste_regresion = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste")
-            mostrar_puntos_regresion = gr.Checkbox(value=True, label="Mostrar Puntos")
-
-        with gr.Row():
-            legend_location_dropdown = gr.Dropdown(
-                choices=[
-                    'best', 'upper right', 'upper left', 'lower left', 'lower right',
-                    'right', 'center left', 'center right', 'lower center',
-                    'upper center', 'center'
-                ],
-                value='lower right',  # Por defecto 'lower right'
-                label='Ubicación de la Leyenda'
-            )
-
-        # Campos de texto para personalizar título y ejes
-        with gr.Row():
-            titulo_grafico_original = gr.Textbox(
-                label="Título del Gráfico Original",
-                placeholder="Regresión Lineal: Concentración Real vs Concentración Predicha (Original)"
-            )
-            titulo_grafico_personalizado = gr.Textbox(
-                label="Título del Gráfico Personalizado",
-                placeholder="Regresión Lineal Personalizada"
-            )
-
-        with gr.Row():
-            eje_x_original = gr.Textbox(
-                label="Etiqueta del Eje X (Gráfico Original)",
-                placeholder="Concentración Predicha Numérica"
-            )
-            eje_y_original = gr.Textbox(
-                label="Etiqueta del Eje Y (Gráfico Original)",
-                placeholder=f"Concentración Real Promedio ({unidad_input.value})"
-            )
-
-        with gr.Row():
-            eje_x_personalizado = gr.Textbox(
-                label="Etiqueta del Eje X (Gráfico Personalizado)",
-                placeholder="Concentración Predicha Numérica"
-            )
-            eje_y_personalizado = gr.Textbox(
-                label="Etiqueta del Eje Y (Gráfico Personalizado)",
-                placeholder=f"Concentración Real Promedio ({unidad_input.value})"
-            )
-
-        calcular_regresion_btn = gr.Button("Calcular Regresión")
-
-        # Salidas
-        estado_regresion_output = gr.Textbox(label="Estado de la Regresión", interactive=False)
-        grafico_original_output = gr.Plot(label="Gráfico Original")
-        grafico_personalizado_output = gr.Plot(label="Gráfico Personalizado")
-        tabla_resumen_output = gr.DataFrame(label="Tabla Resumida")
-
     # Eventos para actualizar las opciones de filas
     tabla_output.change(
         fn=actualizar_opciones_filas,
         inputs=[tabla_output],
-        outputs=[filas_seleccionadas, filas_seleccionadas_regresion]
+        outputs=[filas_seleccionadas, ]
     )
 
     # Evento al presionar el botón Calcular
     calcular_btn.click(
         fn=actualizar_analisis,
-        inputs=[tabla_output, replicas_slider, unidad_input, filas_seleccionadas, decimales_slider],
+        inputs=[tabla_output, unidad_input, filas_seleccionadas, decimales_slider, absorbancia_dropdown],
         outputs=[estado_output, graficos_output, informe_output, tabla_output]
     )
 
@@ -1006,145 +475,26 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
     graficar_btn.click(
         fn=actualizar_graficos,
         inputs=[
-            tabla_output, replicas_slider, unidad_input,
+            tabla_output, unidad_input,
             palette_puntos_dropdown, estilo_puntos_dropdown,
             palette_linea_ajuste_dropdown, estilo_linea_ajuste_dropdown,
-            palette_linea_ideal_dropdown, estilo_linea_ideal_dropdown,
-            palette_barras_error_dropdown,
-            mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos,
-            filas_seleccionadas, decimales_slider
+            mostrar_linea_ajuste, mostrar_puntos,
+            filas_seleccionadas, decimales_slider, absorbancia_dropdown
         ],
         outputs=graficos_output
     )
 
-    # Asegurar que la línea ideal esté desmarcada por defecto
-    def resetear_linea_ideal():
-        return gr.update(value=False)
-
-    # Desmarcar 'Mostrar Línea Ideal' en eventos de botones
-    calcular_btn.click(
-        fn=resetear_linea_ideal,
-        outputs=mostrar_linea_ideal
-    )
-    limpiar_btn.click(
-        fn=resetear_linea_ideal,
-        outputs=mostrar_linea_ideal
-    )
-    ajustar_decimales_btn.click(
-        fn=resetear_linea_ideal,
-        outputs=mostrar_linea_ideal
-    )
-    sinteticos_btn.click(
-        fn=resetear_linea_ideal,
-        outputs=mostrar_linea_ideal
-    )
-
-    # Eventos de los botones adicionales, como limpiar, cargar ejemplos, ajustar decimales, etc.
     # Evento para limpiar datos
     limpiar_btn.click(
-        fn=limpiar_datos,
-        inputs=[replicas_slider],
-        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
-    )
-
-    # Eventos de los botones de ejemplo
-    ejemplo_ufc_btn.click(
-        fn=cargar_ejemplo_ufc,
-        inputs=[replicas_slider],
-        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
-    )
-
-    ejemplo_od_btn.click(
-        fn=cargar_ejemplo_od,
-        inputs=[replicas_slider],
-        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
-    )
-
-    # Evento para generar datos sintéticos
-    sinteticos_btn.click(
-        fn=generar_datos_sinteticos_evento,
-        inputs=[tabla_output, replicas_slider, unidad_input],
-        outputs=tabla_output
+        fn=lambda: (2000000, "UFC", 7, generar_tabla(7, 2000000, "UFC", 1), "", None, "", [], 3, [], None),
+        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider, absorbancia_dropdown, absorbancia_dropdown]
     )
 
     # Evento para cargar archivo Excel
     cargar_excel_btn.upload(
         fn=cargar_excel,
         inputs=[cargar_excel_btn],
-        outputs=[concentracion_input, unidad_input, filas_slider, replicas_slider, tabla_output, estado_output, graficos_output, informe_output]
-    )
-
-    # Evento al presionar el botón Ajustar Decimales
-    ajustar_decimales_btn.click(
-        fn=ajustar_decimales_evento,
-        inputs=[tabla_output, decimales_slider],
-        outputs=tabla_output
-    )
-
-    # Actualizar tabla al cambiar los parámetros (sin borrar "Concentración Real")
-    def actualizar_tabla_wrapper(df, filas, conc, unidad, replicas, decimales):
-        return actualizar_tabla_evento(df, filas, conc, unidad, replicas, decimales)
-
-    concentracion_input.change(
-        fn=actualizar_tabla_wrapper,
-        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
-        outputs=tabla_output
-    )
-
-    unidad_input.change(
-        fn=actualizar_tabla_wrapper,
-        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
-        outputs=tabla_output
-    )
-
-    filas_slider.change(
-        fn=actualizar_tabla_wrapper,
-        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
-        outputs=tabla_output
-    )
-
-    replicas_slider.change(
-        fn=actualizar_tabla_wrapper,
-        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
-        outputs=tabla_output
-    )
-
-    decimales_slider.change(
-        fn=ajustar_decimales_evento,
-        inputs=[tabla_output, decimales_slider],
-        outputs=tabla_output
-    )
-
-    # Evento de copiar informe utilizando JavaScript
-    copiar_btn.click(
-        None,
-        [],
-        [],
-        js="""
-        function() {
-            const informeElement = document.querySelector('#informe_output');
-            const range = document.createRange();
-            range.selectNode(informeElement);
-            window.getSelection().removeAllRanges();
-            window.getSelection().addRange(range);
-            document.execCommand('copy');
-            window.getSelection().removeAllRanges();
-            alert('Informe copiado al portapapeles');
-        }
-        """
-    )
-
-    # Eventos de exportar informes
-    exportar_word_btn.click(
-        fn=exportar_word,
-        inputs=[tabla_output, informe_output, unidad_input, filas_seleccionadas],
-        outputs=exportar_word_file
-    )
-
-    exportar_latex_btn.click(
-        fn=exportar_latex,
-        inputs=[tabla_output, informe_output, filas_seleccionadas],
-        outputs=exportar_latex_file
+        outputs=[concentracion_input, unidad_input, filas_slider, replicas_slider, tabla_output, absorbancia_dropdown, estado_output, graficos_output, informe_output]
     )
 
     # Inicializar la interfaz con el ejemplo base
@@ -1152,11 +502,10 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
         n_replicas = 1
         df = generar_tabla(7, 2000000, "UFC", n_replicas)
         # Valores reales de ejemplo
-        df[f"Concentración Real 1 (UFC)"] = [2000000, 1600000, 1200000, 800000, 400000, 200000, 100000]
-        # Calcular promedio y desviación estándar
-        df = calcular_promedio_desviacion(df, n_replicas, "UFC", 3)
+        df["Absorbancia 1"] = [0.8, 0.65, 0.5, 0.35, 0.2, 0.1, 0.05]
         filas_seleccionadas_inicial = [f"Fila {i+1}" for i in df.index]
-        estado, fig, informe, df = actualizar_analisis(df, n_replicas, "UFC", filas_seleccionadas_inicial, 3)
+        absorbancia_options = ["Absorbancia 1"]
+        estado, fig, informe, df = actualizar_analisis(df, "UFC", filas_seleccionadas_inicial, 3, "Absorbancia 1")
         return (
             2000000,
             "UFC",
@@ -1166,28 +515,14 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
             fig,
             informe,
             filas_seleccionadas_inicial,
-            3  # Número de decimales
+            3,  # Número de decimales
+            absorbancia_options,
+            "Absorbancia 1"
         )
 
     interfaz.load(
         fn=iniciar_con_ejemplo,
-        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider]
-    )
-
-    # Evento al presionar el botón de calcular regresión
-    calcular_regresion_btn.click(
-        fn=calcular_regresion_tabla_principal,
-        inputs=[
-            tabla_output, unidad_input, filas_seleccionadas_regresion,
-            palette_puntos_regresion, estilo_puntos_regresion,
-            palette_linea_ajuste_regresion, estilo_linea_ajuste_regresion,
-            mostrar_linea_ajuste_regresion, mostrar_puntos_regresion,
-            legend_location_dropdown, decimales_slider,
-            titulo_grafico_original, titulo_grafico_personalizado,
-            eje_x_original, eje_y_original,
-            eje_x_personalizado, eje_y_personalizado
-        ],
-        outputs=[estado_regresion_output, grafico_original_output, grafico_personalizado_output, tabla_resumen_output]
+        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider, absorbancia_dropdown, absorbancia_dropdown]
     )
 
 # Lanzar la interfaz