import streamlit as st
from datasets import load_dataset
from transformers import pipeline

# Título de la aplicación
st.title("Chatbot y Análisis de Criptomonedas con Hugging Face")

# Cargar el modelo de chatbot avanzado (DialoGPT español)
chatbot = pipeline("conversational", model="ITG/DialoGPT-medium-spanish-chitchat")

# Interacción con el chatbot
st.header("Chat con el Bot")
user_input = st.text_input("Escribe tu mensaje para el chatbot:")
if st.button("Enviar al Bot"):
    if user_input:
        response = chatbot(user_input)
        st.write(f"Bot: {response[0]['generated_text']}")
    else:
        st.write("Por favor, escribe un mensaje para el chatbot.")

# Cargar y mostrar ejemplos de los datasets adicionales

# Dataset de criptomonedas para análisis de precios
st.header("Análisis de Criptomonedas")
st.write("""
Este análisis se realiza con el conjunto de datos `crypto_data` de Hugging Face para el análisis histórico de precios de criptomonedas.
""")

# Caja de entrada para preguntas sobre criptomonedas
crypto_question = st.text_input("Pregunta sobre criptomonedas (Ej. ¿Qué está pasando con Bitcoin?):")
if st.button("Consultar Criptomonedas"):
    if crypto_question:
        st.write("Consultando sobre criptomonedas...")

        # Especificar la configuración del dataset, por ejemplo, 'candles' o 'indicators'
        crypto_data = load_dataset("sebdg/crypto_data", "candles")
        
        # Mostrar los primeros datos del dataset
        st.write("Dataset de Criptomonedas cargado:")
        st.write(crypto_data['train'].head())
        
    else:
        st.write("Por favor, escribe tu pregunta sobre criptomonedas.")

# Dataset para interacción de Chatbot (Persona Hub)
st.header("Mejora de Interacción con Chatbot")
st.write("""
El siguiente dataset ayuda a hacer las interacciones del bot más naturales y personalizadas.
""")

# Cargar el dataset de PersonaHub
persona_chat = load_dataset("proj-persona/PersonaHub")

# Mostrar ejemplo de conversación del dataset PersonaHub
st.write("Ejemplo de Conversación de PersonaHub:")
st.write(f"Pregunta: {persona_chat['train'][0]['utterance']}")
st.write(f"Respuesta: {persona_chat['train'][0]['persona_info']}")

# Conjunto de datos `conala` para consultas técnicas (opcional)
st.header("Mejorando las Respuestas Técnicas")
st.write("""
Si tu chatbot también necesita saber sobre programación y conceptos computacionales, puedes usar el dataset `conala`.
""")

# Cargar el dataset de CONALA
conala_data = load_dataset("conala")

# Mostrar ejemplos de preguntas de programación
st.write("Ejemplo de pregunta técnica del dataset conala:")
st.write(f"Pregunta: {conala_data['train'][0]['question']}")
st.write(f"Respuesta: {conala_data['train'][0]['answer']}")

# Conjunto de datos `openwebtext` para mejorar respuestas más elaboradas
st.header("Mejorando Respuestas Generales")
st.write("""
Utiliza `openwebtext` para integrar información más general y específica en las respuestas del chatbot.
""")

# Cargar el dataset `openwebtext`
openwebtext_data = load_dataset("openwebtext")

# Mostrar ejemplo de texto de `openwebtext`
st.write("Ejemplo de texto general del dataset openwebtext:")
st.write(openwebtext_data['train'][0])

# Conjunto de datos de sentimiento `amazon-polarity`
st.header("Análisis de Sentimientos")
st.write("""
Este dataset te ayuda a analizar sentimientos de los usuarios para hacer el chatbot más empático.
""")

# Cargar el dataset `amazon-polarity`
amazon_polarity_data = load_dataset("amazon-polarity")

# Mostrar ejemplo de opinión del dataset amazon-polarity
st.write("Ejemplo de análisis de sentimiento de amazon-polarity:")
st.write(f"Opinión: {amazon_polarity_data['train'][0]['text']}")
st.write(f"Sentimiento: {amazon_polarity_data['train'][0]['label']}")