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()