Descarga CSV y gráfica pro (estilo limpio, año corto, anotación)

app.py

@@ -1,3 +1,4 @@
+import io
 import gradio as gr
 import pandas as pd
 import numpy as np
@@ -6,15 +7,39 @@ import matplotlib.pyplot as plt
 import matplotlib.dates as mdates
 from chronos import ChronosPipeline
 
-# Modelo compatible con chronos-forecasting==1.5.3 (free tier)
-MODEL_ID = "amazon/chronos-t5-base"
+# ----------------------------
+# Modelo (ligero para Space free)
+# ----------------------------
+MODEL_ID = "amazon/chronos-t5-small"  # o "amazon/chronos-t5-mini"
 
 PIPELINE = ChronosPipeline.from_pretrained(
     MODEL_ID,
     device_map="auto",
-    dtype=torch.float32,  # usar dtype (no torch_dtype)
+    dtype=torch.float32,   # usar dtype (no torch_dtype)
 )
 
+# ----------------------------
+# Estilo "más pro" para las gráficas
+# ----------------------------
+plt.rcParams.update({
+    "figure.figsize": (9, 4.8),
+    "figure.facecolor": "#ffffff",
+    "axes.facecolor": "#ffffff",
+    "axes.grid": True,
+    "grid.color": "#e6e6e6",
+    "grid.linestyle": "-",
+    "grid.linewidth": 0.6,
+    "axes.spines.top": False,
+    "axes.spines.right": False,
+    "axes.spines.left": False,
+    "axes.spines.bottom": False,
+    "axes.titlesize": 16,
+    "axes.titleweight": "semibold",
+    "axes.labelsize": 12,
+    "legend.frameon": True,
+    "legend.framealpha": 0.9,
+})
+
 def _prepare_series(df: pd.DataFrame, freq: str | None):
     """
     Espera columnas: date,value
@@ -24,6 +49,7 @@ def _prepare_series(df: pd.DataFrame, freq: str | None):
     """
     if "date" not in df.columns or "value" not in df.columns:
         raise gr.Error("El CSV debe tener columnas: date,value")
+
     df = df.copy()
     df["date"] = pd.to_datetime(df["date"])
     df = df.sort_values("date")
@@ -53,15 +79,54 @@ def _filter_by_sku(df: pd.DataFrame, sku: str | None):
         sdf = df[df["sku"].astype(str) == str(sku)].copy()
         if sdf.empty:
             raise gr.Error(f"No hay datos para el SKU: {sku}")
-        # Mantén solo las columnas mínimas para el pipeline
-        sdf = sdf[["date", "value"]]
-        return sdf
+        return sdf[["date", "value"]]
     return df[["date", "value"]].copy()
 
+def _nice_plot(df_hist: pd.DataFrame, df_fc: pd.DataFrame) -> plt.Figure:
+    """Grafica con estilo pro + año corto en eje X y anotación del último P50."""
+    fig, ax = plt.subplots()
+
+    # Líneas
+    ax.plot(df_hist["date"], df_hist["value"], label="Histórico", linewidth=2.2, color="C0")
+    ax.plot(df_fc["date"], df_fc["p50"], label="Pronóstico (P50)", linewidth=2.4, color="C1")
+
+    # Banda de incertidumbre
+    ax.fill_between(df_fc["date"], df_fc["p10"], df_fc["p90"],
+                    alpha=0.18, label="Banda P10–P90", color="C1", edgecolor="none")
+
+    # Formato de fechas: año corto (yy-mm)
+    ax.xaxis.set_major_locator(mdates.AutoDateLocator())
+    ax.xaxis.set_major_formatter(mdates.DateFormatter("%y-%m"))
+    plt.setp(ax.get_xticklabels(), rotation=0, ha="center")
+
+    # Etiquetas y título
+    ax.set_title("Pronóstico con Chronos-T5 (P10 / P50 / P90)")
+    ax.set_xlabel("Fecha")
+    ax.set_ylabel("Valor")
+
+    # Anotar último P50
+    x_last = df_fc["date"].iloc[-1]
+    y_last = df_fc["p50"].iloc[-1]
+    ax.scatter([x_last], [y_last], color="C1", s=30, zorder=3)
+    ax.annotate(f"P50={y_last:.1f}", xy=(x_last, y_last),
+                xytext=(10, 10), textcoords="offset points",
+                fontsize=10, bbox=dict(boxstyle="round,pad=0.25", fc="#f5f5f5", ec="#cccccc"))
+
+    # Leyenda fuera de la serie para no tapar
+    leg = ax.legend(loc="upper left")
+    for lh in leg.legendHandles:
+        try:
+            lh.set_alpha(1.0)
+        except Exception:
+            pass
+
+    fig.tight_layout(pad=1.2)
+    return fig
+
 def forecast_fn(file, sku: str, horizon: int = 12, freq: str = "MS"):
     """
-    Función principal: lee CSV, filtra por SKU (si hay), prepara serie,
-    ejecuta pronóstico y devuelve tabla + gráfica.
+    Lee CSV, filtra por SKU (si hay), prepara serie,
+    ejecuta pronóstico y devuelve tabla + gráfica + archivo descargable.
     """
     if file is None:
         raise gr.Error("Sube un CSV con columnas: (sku,) date, value")
@@ -93,28 +158,17 @@ def forecast_fn(file, sku: str, horizon: int = 12, freq: str = "MS"):
         "p90": np.round(p90, 4),
     })
 
-    # Gráfica con AÑO CORTO (yy-mm)
-    fig = plt.figure(figsize=(8, 4))
-    ax = plt.gca()
-    ax.plot(df["date"], df["value"], label="Histórico")
-    ax.plot(out["date"], out["p50"], label="Pronóstico (P50)")
-    ax.fill_between(out["date"], out["p10"], out["p90"], alpha=0.3, label="Banda P10–P90")
-    ax.set_title("Pronóstico con Chronos-T5 (P10 / P50 / P90)")
-    ax.set_xlabel("Fecha")
-    ax.set_ylabel("Valor")
-    # Formato de fechas: año corto + mes (yy-mm), p. ej. 24-07
-    ax.xaxis.set_major_locator(mdates.AutoDateLocator())
-    ax.xaxis.set_major_formatter(mdates.DateFormatter("%y-%m"))
-    plt.xticks(rotation=45)
-    ax.legend()
+    # Gráfica pulida
+    fig = _nice_plot(df, out)
+
+    # --- Descarga: generar CSV en memoria y devolver bytes ---
+    csv_bytes = out.to_csv(index=False).encode("utf-8")
 
-    return out, fig
+    # Retornamos: tabla, gráfica, y contenido para DownloadButton
+    return out, fig, csv_bytes
 
 def list_skus(file):
-    """
-    Al cargar un archivo, detecta los SKUs disponibles (si la columna existe)
-    y llena el dropdown dinámicamente.
-    """
+    """Detecta SKUs (si existe la columna) y llena el dropdown dinámicamente."""
     if file is None:
         return gr.update(choices=[], value=None), None
     df = pd.read_csv(file.name)
@@ -123,28 +177,40 @@ def list_skus(file):
         if not skus:
             return gr.update(choices=[], value=None), df.head(10)
         return gr.update(choices=skus, value=skus[0]), df.head(10)
-    # Sin columna 'sku'
     return gr.update(choices=[], value=None), df.head(10)
 
 with gr.Blocks(title="Pronóstico por SKU (Chronos-T5)") as demo:
-    gr.Markdown("## Pronóstico de Demanda por **SKU** (Hugging Face + Chronos-T5)\nCSV con columnas: **sku (opcional)**, **date**, **value**. Selecciona el SKU y genera el forecast.")
+    gr.Markdown(
+        "## Pronóstico de Demanda por **SKU**\n"
+        "CSV con columnas: **sku (opcional)**, **date**, **value**. "
+        "Selecciona el SKU y genera el forecast."
+    )
     with gr.Row():
         file = gr.File(label="CSV (sku,date,value o date,value)", file_types=[".csv"])
         sku_dd = gr.Dropdown(choices=[], value=None, label="SKU (si el CSV tiene columna 'sku')")
         horizon = gr.Slider(1, 36, value=12, step=1, label="Horizonte (pasos)")
         freq = gr.Dropdown(choices=["", "D", "W", "MS", "M"], value="MS",
                            label="Frecuencia. ''=inferir, MS=mensual")
-    # Vista previa de datos
     preview = gr.Dataframe(label="Vista previa (primeras filas)")
-
-    # Cuando cambia el archivo, llenar dropdown de SKUs y mostrar preview
     file.change(list_skus, inputs=file, outputs=[sku_dd, preview])
 
-    btn = gr.Button("Generar pronóstico")
+    btn = gr.Button("Generar pronóstico", variant="primary")
     out_table = gr.Dataframe(label="Tabla de pronóstico")
     out_plot = gr.Plot(label="Gráfica")
-    btn.click(forecast_fn, inputs=[file, sku_dd, horizon, freq], outputs=[out_table, out_plot], api_name="/forecast")
+
+    # Botón de descarga (entrega bytes -> archivo "forecast.csv")
+    download_btn = gr.DownloadButton(
+        label="⬇️ Descargar pronóstico (CSV)",
+        value=None,              # se asigna en tiempo de ejecución
+        file_name="forecast.csv" # nombre sugerido
+    )
+
+    btn.click(
+        forecast_fn,
+        inputs=[file, sku_dd, horizon, freq],
+        outputs=[out_table, out_plot, download_btn],
+        api_name="/forecast"
+    )
 
 if __name__ == "__main__":
     demo.queue().launch(server_name="0.0.0.0", server_port=7860, show_error=True)
-