| import gradio as gr | |
| import pandas as pd | |
| from transformers import pipeline | |
| # Inicializa la pipeline de análisis de sentimientos | |
| sentiment_pipeline = pipeline("sentiment-analysis") | |
| # Función para cargar los datos | |
| def load_reviews(): | |
| # Asegúrate de usar la ruta correcta al archivo .json.gz en tu espacio de Hugging Face | |
| df = pd.read_json('AMAZON_FASHION_5.json.gz', lines=True, compression='gzip') | |
| return df | |
| # Función para analizar el sentimiento de una reseña | |
| def analyze_sentiment(review): | |
| # Usa la pipeline de transformers para analizar el sentimiento | |
| result = sentiment_pipeline(review) | |
| # Devuelve solo la etiqueta ('LABEL_0' o 'LABEL_1') y el puntaje | |
| return result[0]['label'], round(result[0]['score'], 4) | |
| # Carga los datos (esto puede tardar un poco dependiendo del tamaño del archivo) | |
| df_reviews = load_reviews() | |
| # Función para mostrar una muestra del DataFrame | |
| def show_sample(): | |
| return df_reviews.sample(5) # Muestra 5 filas aleatorias del DataFrame | |
| # Gradio interface | |
| iface = gr.Interface( | |
| fn=analyze_sentiment, | |
| inputs=gr.Textbox(lines=2, placeholder="Ingrese una reseña de Amazon Fashion aquí..."), | |
| outputs=[gr.Label(), gr.Textbox()] | |
| ) | |
| # Añade un bloque para mostrar una muestra del DataFrame | |
| iface.add_component(gr.components.Dataframe(), function=show_sample) | |
| # Lanza la interfaz | |
| if __name__ == "__main__": | |
| iface.launch() | |