Create app.py

app.py

@@ -0,0 +1,101 @@
+from sklearn.metrics.pairwise import cosine_similarity
+import pandas as pd
+import numpy as np
+from vectorization import spotify_data
+import json
+import gradio as gr
+from gradio.components import Textbox
+from ast import literal_eval
+spotify_data_processed = pd.read_csv('C:\\Users\\34640\\Desktop\\Saturdays.ai\\spotify_dset\\dataset_modificado.csv')
+
+def convert_string_to_array(str_vector):
+    # Si str_vector ya es un array de NumPy, devolverlo directamente
+    if isinstance(str_vector, np.ndarray):
+        return str_vector
+
+    try:
+        cleaned_str = str_vector.replace('[', '').replace(']', '').replace('\n', ' ').replace('\r', '').strip()
+        vector_elements = [float(item) for item in cleaned_str.split()]
+        return np.array(vector_elements)
+    except ValueError as e:
+        print("Error:", e)
+        return np.zeros((100,))
+
+
+spotify_data_processed['song_vector'] = spotify_data_processed['song_vector'].apply(convert_string_to_array)
+
+
+# Aplicar la función a las primeras filas para ver los resultados
+sample_data = spotify_data_processed['song_vector'].head()
+converted_vectors = sample_data.apply(convert_string_to_array)
+print(converted_vectors)
+
+
+
+def recommend_song(song_name, artist_name, spotify_data_processed, top_n=4):
+    # Filtrar para encontrar la canción específica
+    specific_song = spotify_data_processed[(spotify_data_processed['song'] == song_name)
+                                            & (spotify_data_processed['artist'] == artist_name)]
+
+    # Verificar si la canción existe en el dataset
+    if specific_song.empty:
+        return pd.DataFrame({"Error": ["Canción no encontrada en la base de datos."]})
+
+
+    # Obtener el vector de la canción específica
+    song_vec = specific_song['song_vector'].iloc[0]
+
+    # Asegurarte de que song_vec sea un array de NumPy
+    if isinstance(song_vec, str):
+        song_vec = convert_string_to_array(song_vec)
+
+    all_song_vectors = np.array(spotify_data_processed['song_vector'].tolist())
+
+    # Calcular similitudes
+    similarities = cosine_similarity([song_vec], all_song_vectors)[0]
+
+    # Obtener los índices de las canciones más similares
+    top_indices = np.argsort(similarities)[::-1][1:top_n+1]
+
+    # Devolver los nombres y artistas de las canciones más similares
+    recommended_songs = spotify_data_processed.iloc[top_indices][['song', 'artist']]
+    return recommended_songs
+
+
+
+
+
+def recommend_song_interface(song_name, artist_name):
+    recommendations_df = recommend_song(song_name, artist_name, spotify_data_processed)
+    
+    if isinstance(recommendations_df, pd.DataFrame):
+        # Convierte el DataFrame en una lista de listas y luego a un formato de texto plano para la salida
+        recommendations_list = recommendations_df.values.tolist()
+        return ["{} by {}".format(song, artist) for song, artist in recommendations_list]
+    else:
+        # Si no es un DataFrame, devolver el mensaje de error
+        return recommendations_df
+
+# Crear la interfaz con Gradio
+iface = gr.Interface(
+    fn=recommend_song_interface,
+    inputs=[
+        gr.Textbox(placeholder="Ingrese el título de la canción", label="Título de la Canción"),
+        gr.Textbox(placeholder="Ingrese el nombre del artista", label="Nombre del Artista")
+    ],
+    outputs=[gr.Text(label="Recomendación 1"),
+             gr.Text(label="Recomendación 2"),
+             gr.Text(label="Recomendación 3"),
+             gr.Text(label="Recomendación 4")],
+    title="Recomendador de Canciones",
+    description="Ingrese el título de una canción y el nombre del artista para obtener recomendaciones.",
+    theme="dark",  # Comenta o elimina si el tema oscuro no está disponible
+    css="""
+        body {font-family: Arial, sans-serif;}
+        .input_text {background-color: #f0f0f0; border-radius: 5px;}
+        .output_text {border: 2px solid #f0f0f0; border-radius: 5px; padding: 10px;}
+        """
+)
+
+iface.launch()
+