Update app.py

app.py

@@ -21,8 +21,8 @@ import os
 class RSM_BoxBehnken:
     def __init__(self, data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels):
         """
-        Inicializa la clase con los datos del diseño Box-Behnken.
-        """
+            Inicializa la clase con los datos del diseño Box-Behnken.
+            """
         self.data = data.copy()
         self.model = None
         self.model_simplified = None
@@ -41,8 +41,8 @@ class RSM_BoxBehnken:
 
     def get_levels(self, variable_name):
         """
-        Obtiene los niveles para una variable específica.
-        """
+            Obtiene los niveles para una variable específica.
+            """
         if variable_name == self.x1_name:
             return self.x1_levels
         elif variable_name == self.x2_name:
@@ -54,8 +54,8 @@ class RSM_BoxBehnken:
 
     def fit_model(self):
         """
-        Ajusta el modelo de segundo orden completo a los datos.
-        """
+            Ajusta el modelo de segundo orden completo a los datos.
+            """
         formula = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + {self.x3_name} + ' \
                   f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2) + ' \
                   f'{self.x1_name}:{self.x2_name} + {self.x1_name}:{self.x3_name} + {self.x2_name}:{self.x3_name}'
@@ -66,19 +66,19 @@ class RSM_BoxBehnken:
 
     def fit_simplified_model(self):
         """
-        Ajusta el modelo de segundo orden a los datos, eliminando términos no significativos.
-        """
+            Ajusta el modelo de segundo orden a los datos, eliminando términos no significativos.
+            """
         formula = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + ' \
                   f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2)'
         self.model_simplified = smf.ols(formula, data=self.data).fit()
         print("\nModelo Simplificado:")
         print(self.model_simplified.summary())
         return self.model_simplified, self.pareto_chart_f(self.model_simplified, "Pareto - Modelo Simplificado (F)"), self.pareto_chart_t(self.model_simplified, "Pareto - Modelo Simplificado (t)")
-    
+
     def optimize(self, method='Nelder-Mead'):
         """
-        Encuentra los niveles óptimos de los factores para maximizar la respuesta usando el modelo simplificado.
-        """
+            Encuentra los niveles óptimos de los factores para maximizar la respuesta usando el modelo simplificado.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return
@@ -113,15 +113,15 @@ class RSM_BoxBehnken:
 
     def plot_rsm_individual(self, fixed_variable, fixed_level):
         """
-        Genera un gráfico de superficie de respuesta (RSM) individual para una configuración específica.
-        """
+            Genera un gráfico de superficie de respuesta (RSM) individual para una configuración específica.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return None
 
         # Determinar las variables que varían y sus niveles naturales
         varying_variables = [var for var in [self.x1_name, self.x2_name, self.x3_name] if var != fixed_variable]
-        
+
         # Establecer los niveles naturales para las variables que varían
         x_natural_levels = self.get_levels(varying_variables[0])
         y_natural_levels = self.get_levels(varying_variables[1])
@@ -220,9 +220,9 @@ class RSM_BoxBehnken:
 
     def get_units(self, variable_name):
         """
-        Define las unidades de las variables para etiquetas.
-        Puedes personalizar este método según tus necesidades.
-        """
+            Define las unidades de las variables para etiquetas.
+            Puedes personalizar este método según tus necesidades.
+            """
         units = {
             'Glucosa': 'g/L',
             'Extracto_de_Levadura': 'g/L',
@@ -233,9 +233,9 @@ class RSM_BoxBehnken:
 
     def generate_all_plots(self):
         """
-        Genera todas las gráficas de RSM, variando la variable fija y sus niveles usando el modelo simplificado.
-        Almacena las figuras en self.all_figures.
-        """
+            Genera todas las gráficas de RSM, variando la variable fija y sus niveles usando el modelo simplificado.
+            Almacena las figuras en self.all_figures.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return
@@ -268,25 +268,25 @@ class RSM_BoxBehnken:
 
     def pareto_chart_f(self, model, title):
         """
-        Genera un diagrama de Pareto para los efectos usando estadísticos F,
-        incluyendo la línea de significancia.
-        """
+            Genera un diagrama de Pareto para los efectos usando estadísticos F,
+            incluyendo la línea de significancia.
+            """
         # Calcular los estadísticos F para cada término manualmente
         # Necesitamos los coeficientes, los errores estándar y los grados de libertad del error
         coef = model.params[1:]  # Excluir la Intercept
-        stderr = model.bse[1:]   # Excluir la Intercept
+        stderr = model.bse[1:]  # Excluir la Intercept
         df_resid = model.df_resid
-        
+
         # Calcular F = (coef / stderr)^2
         fvalues = (coef / stderr) ** 2
-        
+
         abs_fvalues = np.abs(fvalues)
         sorted_idx = np.argsort(abs_fvalues)[::-1]
         sorted_fvalues = abs_fvalues[sorted_idx]
         sorted_names = fvalues.index[sorted_idx]
-        
+
         # Cambiar I() por "" en los nombres de los terminos
-        sorted_names = sorted_names.str.replace('I(','').str.replace('**2)','^2').str.replace(' * ', '·')
+        sorted_names = sorted_names.str.replace(r'I\(', '', regex=True).str.replace(r'\*\*2\)', '^2', regex=True).str.replace(r' \* ', '·', regex=True)
 
         # Calcular el valor crítico de F para la línea de significancia
         alpha = 0.05  # Nivel de significancia
@@ -306,16 +306,16 @@ class RSM_BoxBehnken:
 
         # Agregar la línea de significancia
         fig.add_vline(x=f_critical, line_dash="dot",
-                     annotation_text=f"F crítico = {f_critical:.3f}",
-                     annotation_position="bottom right")
+                      annotation_text=f"F crítico = {f_critical:.3f}",
+                      annotation_position="bottom right")
 
         return fig
-    
+
     def pareto_chart_t(self, model, title):
         """
-        Genera un diagrama de Pareto para los efectos usando estadísticos t,
-        incluyendo la línea de significancia.
-        """
+            Genera un diagrama de Pareto para los efectos usando estadísticos t,
+            incluyendo la línea de significancia.
+            """
         # Calcular los estadísticos t para cada término
         tvalues = model.tvalues[1:]  # Excluir la Intercept
         abs_tvalues = np.abs(tvalues)
@@ -324,7 +324,7 @@ class RSM_BoxBehnken:
         sorted_names = tvalues.index[sorted_idx]
 
         # Cambiar I() por "" en los nombres de los terminos
-        sorted_names = sorted_names.str.replace('I(','').str.replace('**2)','^2').str.replace(' * ', '·')
+        sorted_names = sorted_names.str.replace(r'I\(', '', regex=True).str.replace(r'\*\*2\)', '^2', regex=True).str.replace(r' \* ', '·', regex=True)
 
         # Calcular el valor crítico de t para la línea de significancia
         alpha = 0.05  # Nivel de significancia
@@ -350,8 +350,8 @@ class RSM_BoxBehnken:
 
     def get_simplified_equation(self):
         """
-        Retorna la ecuación del modelo simplificado como una cadena de texto.
-        """
+            Retorna la ecuación del modelo simplificado como una cadena de texto.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return None
@@ -375,11 +375,11 @@ class RSM_BoxBehnken:
                     equation += f" + {coef:.3f}*{self.x3_name}^2"
 
         return equation
-    
+
     def generate_prediction_table(self):
         """
-        Genera una tabla con los valores actuales, predichos y residuales.
-        """
+            Genera una tabla con los valores actuales, predichos y residuales.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return None
@@ -391,8 +391,8 @@ class RSM_BoxBehnken:
 
     def calculate_anova_table(self):
         """
-        Calcula la tabla ANOVA detallada, incluyendo la contribución porcentual.
-        """
+            Calcula la tabla ANOVA detallada, incluyendo la contribución porcentual.
+            """
         if self.model_simplified is None:
             print("Error: Ajusta el modelo simplificado primero.")
             return None
@@ -444,7 +444,7 @@ class RSM_BoxBehnken:
         # 11. Estadísticos F y valores p
         f_regression = ms_regression / ms_residual
         p_regression = 1 - f.cdf(f_regression, df_regression, df_residual)
-        
+
         f_lack_of_fit = ms_lack_of_fit / ms_pure_error if not np.isnan(ms_lack_of_fit) else np.nan
         p_lack_of_fit = 1 - f.cdf(f_lack_of_fit, df_lack_of_fit, df_pure_error) if not np.isnan(f_lack_of_fit) else np.nan
 
@@ -457,11 +457,11 @@ class RSM_BoxBehnken:
             'F': [f_regression, np.nan, f_lack_of_fit, np.nan, np.nan],
             'Valor p': [p_regression, np.nan, p_lack_of_fit, np.nan, np.nan]
         })
-        
+
         # Calcular la suma de cuadrados y estadísticos F para la curvatura
         ss_curvature = anova_reduced['sum_sq'][f'I({self.x1_name} ** 2)'] + \
-                      anova_reduced['sum_sq'][f'I({self.x2_name} ** 2)'] + \
-                      anova_reduced['sum_sq'][f'I({self.x3_name} ** 2)']
+                       anova_reduced['sum_sq'][f'I({self.x2_name} ** 2)'] + \
+                       anova_reduced['sum_sq'][f'I({self.x3_name} ** 2)']
         df_curvature = 3
         ms_curvature = ss_curvature / df_curvature
         f_curvature = ms_curvature / ms_residual
@@ -469,14 +469,14 @@ class RSM_BoxBehnken:
 
         # Añadir la fila de curvatura a la tabla ANOVA
         detailed_anova_table.loc[len(detailed_anova_table)] = [
-            'Curvatura', 
-            ss_curvature, 
-            df_curvature, 
+            'Curvatura',
+            ss_curvature,
+            df_curvature,
             ms_curvature,
             f_curvature,
             p_curvature
         ]
-        
+
         # --- Agregar % de Contribución ---
         detailed_anova_table['% Contribución'] = (detailed_anova_table['Suma de Cuadrados'] / ss_total) * 100
 
@@ -487,8 +487,8 @@ class RSM_BoxBehnken:
 
     def get_all_tables(self):
         """
-        Obtiene todas las tablas generadas para ser exportadas a Excel.
-        """
+            Obtiene todas las tablas generadas para ser exportadas a Excel.
+            """
         prediction_table = self.generate_prediction_table()
         anova_table = self.calculate_anova_table()
 
@@ -499,8 +499,8 @@ class RSM_BoxBehnken:
 
     def save_figures_to_zip(self):
         """
-        Guarda todas las figuras almacenadas en self.all_figures a un archivo ZIP en memoria.
-        """
+            Guarda todas las figuras almacenadas en self.all_figures a un archivo ZIP en memoria.
+            """
         if not self.all_figures:
             return None
 
@@ -520,14 +520,14 @@ class RSM_BoxBehnken:
 
     def save_fig_to_bytes(self, fig):
         """
-        Convierte una figura Plotly a bytes en formato PNG.
-        """
+            Convierte una figura Plotly a bytes en formato PNG.
+            """
         return fig.to_image(format="png")
 
     def save_all_figures_png(self):
         """
-        Guarda todas las figuras en archivos PNG temporales y retorna las rutas.
-        """
+            Guarda todas las figuras en archivos PNG temporales y retorna las rutas.
+            """
         png_paths = []
         for idx, fig in enumerate(self.all_figures, start=1):
             img_bytes = fig.to_image(format="png")
@@ -539,8 +539,8 @@ class RSM_BoxBehnken:
 
     def save_tables_to_excel(self):
         """
-        Guarda todas las tablas en un archivo Excel con múltiples hojas y retorna la ruta del archivo.
-        """
+            Guarda todas las tablas en un archivo Excel con múltiples hojas y retorna la ruta del archivo.
+            """
         tables = self.get_all_tables()
         excel_buffer = io.BytesIO()
         with pd.ExcelWriter(excel_buffer, engine='xlsxwriter') as writer:
@@ -558,8 +558,8 @@ class RSM_BoxBehnken:
 
     def export_tables_to_word(self, tables_dict):
         """
-        Exporta las tablas proporcionadas a un documento de Word.
-        """
+            Exporta las tablas proporcionadas a un documento de Word.
+            """
         if not tables_dict:
             return None
 
@@ -615,8 +615,8 @@ class RSM_BoxBehnken:
 
 def load_data(x1_name, x2_name, x3_name, y_name, x1_levels_str, x2_levels_str, x3_levels_str, data_str):
     """
-    Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
-    """
+        Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
+        """
     try:
         # Convertir los niveles a listas de números
         x1_levels = [float(x.strip()) for x in x1_levels_str.split(',')]