-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathfunciones.py
323 lines (265 loc) · 11.7 KB
/
funciones.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
## FUNCIONES A UTILIZAR EN app.py
# Importaciones
import pandas as pd
import operator
# Datos a usar
reviews = pd.read_parquet("data/02-user-reviews.parquet")
gasto_items = pd.read_parquet("data/04-gasto-items.parquet")
ranking_genero = pd.read_parquet("data/05-ranking-genero.parquet")
user_time_year = pd.read_parquet("data/08-user-time-year.parquet")
items_developer = pd.read_parquet("data/07-items-developer.parquet")
piv_norm = pd.read_parquet("data/11-piv-norm.parquet")
top_dev = pd.read_parquet("data/09-top-dev.parquet")
item_similar = pd.read_parquet("data/13-item-similar.parquet")
def presentationPage():
"""
Generates an HTML presentation page for the Steam API for video game queries.
Returns:
str: HTML code displaying the presentation page.
"""
return """
<html>
<head>
<title>API Steam</title>
<style>
body {
font-family: Arial, sans-serif;
padding: 20px;
background-color: #f4f4f4;
}
h1 {
color: #333;
text-align: center;
}
p {
color: #666;
text-align: center;
font-size: 18px;
margin-top: 20px;
}
span {
background-color: lightgray;
padding: 2px 8px;
border-radius: 4px;
}
a {
text-decoration: none;
color: #3498db;
}
a:hover {
text-decoration: underline;
}
img {
vertical-align: middle;
}
.badge {
display: inline-block;
padding: 5px 10px;
font-size: 14px;
font-weight: bold;
text-align: center;
color: #fff;
background-color: #333;
border-radius: 4px;
margin-top: 10px;
}
</style>
</head>
<body>
<h1>API de consultas de videojuegos de la plataforma Steam</h1>
<p>Bienvenido a la API de Steam donde puedes realizar diversas consultas sobre la plataforma de videojuegos.</p>
<p><strong>INSTRUCCIONES:</strong></p>
<p>Escribe <span>/docs</span> después de la URL actual para interactuar con la API.</p>
<p>Visita mi perfil en <a href="https://www.linkedin.com/in/ivan-parra-2501//">LinkedIn <img alt="LinkedIn" src="https://img.shields.io/badge/LinkedIn-blue?style=flat-square&logo=linkedin"></a></p>
<p>El desarrollo de este proyecto se encuentra en <a href="https://github.com/Ivan2125/MLOps-Steam">GitHub <img alt="GitHub" src="https://img.shields.io/badge/GitHub-black?style=flat-square&logo=github"></a></p>
<div class="badge">Elaborado por Iván Parra</div>
</body>
</html>
"""
def developer(desarrollador):
"""
Esta función retorna la cantidad de items y porcentaje de contenido Free por año según empresa desarrolladora.
Args:
def developer( desarrollador : str ):
Returns:
dict: {'release_year': {'cantidad_juegos': int,
'cantidad_gratis': int,
'porcentaje_gratis': int}}
"""
# Filtra el dataframe por desarrollador de interés
filtro = items_developer[items_developer["developer"] == desarrollador]
# Calcula la cantidad de items y la cantidad de elementos gratis por año
resumen_por_año = filtro.groupby("release_year").agg(
cantidad_juegos=("item_id", "count"),
cantidad_gratis=("price", lambda x: (x == 0.0).sum()),
)
# Calcula el porcentaje de elementos gratis por año
resumen_por_año["porcentaje_gratis"] = (
(resumen_por_año["cantidad_gratis"] / resumen_por_año["cantidad_juegos"] * 100)
.fillna(0)
.astype(int)
)
return resumen_por_año.to_dict(orient="index")
def userData(user_id):
"""
Esta función devuelve la cantidad de dinero gastado por el usuario, el porcentaje de recomendación en base a reviews_recommend y cantidad de items.
Parámetros:
- user_id (int): Identificador único del usuario de interés.
- total_reviews (int, opcional): Total de revisiones realizadas por todos los usuarios. Si no se proporciona,
se calculará como la longitud de los identificadores únicos de usuarios en el conjunto de datos de revisiones.
Devuelve:
dict:
- 'usuario_': Identificador único del usuario.
- 'cantidad_dinero': Suma total de dinero gastado por el usuario en gasto_items.
- 'porcentaje_recomendacion': Porcentaje de recomendaciones realizadas por el usuario en comparación
con el total de revisiones en el conjunto de datos.
- 'total_items': La cantidad máxima de items comprados por el usuario en gasto_items.
"""
# Filtra por el usuario de interés en gasto_items
usuario_gastos = gasto_items[gasto_items["user_id"] == user_id]
# Calcula la cantidad de dinero gastado y el total de items para el usuario de interés
cantidad_dinero = usuario_gastos["price"].sum()
count_items = usuario_gastos["items_count"].max()
# Calcula el total de recomendaciones realizadas por el usuario de interés
total_recomendaciones = reviews[reviews["user_id"] == user_id][
"reviews_recommend"
].sum()
# Calcula el porcentaje de recomendaciones realizadas por el usuario de interés
total_reviews = None
if total_reviews is None:
total_reviews = len(reviews["user_id"].unique())
porcentaje_recomendaciones = (total_recomendaciones / total_reviews) * 100
return {
"usuario_": user_id,
"cantidad_dinero": int(cantidad_dinero),
"porcentaje_recomendacion": round(float(porcentaje_recomendaciones), 2),
"total_items": int(count_items),
}
def userForGenre(genero, usuario_especifico=None):
"""
Devuelve el usuario que acumula más horas jugadas para el género dado y una lista de la acumulación de horas jugadas por año de lanzamiento.
Parámetros:
- df (DataFrame): DataFrame que contiene las columnas 'playtime_forever', 'user_id', 'genres', 'release_year'.
- genero (str): Género específico para el cual se desea obtener la información.
- usuario_especifico (str, opcional): Usuario específico para el cual se calculará la acumulación de horas jugadas. Si no se proporciona, se usará el usuario con más horas jugadas.
Retorna:
dict: Un diccionario con la siguiente estructura:
{
"Usuario con más horas jugadas para <genero>": <usuario>,
"Horas jugadas": [
{"Año": <año1>, "Horas": <horas1>},
{"Año": <año2>, "Horas": <horas2>},
...
]
}
"""
# Filtra el DataFrame por el género dado
data_genero = user_time_year[
user_time_year["genres"].str.contains(genero, case=False, na=False)
]
if usuario_especifico is None:
# Encuentra el usuario con más horas jugadas para el género dado
usuario_mas_horas = (
data_genero.groupby("user_id")["playtime_forever"].sum().idxmax()
)
else:
usuario_mas_horas = usuario_especifico
# Filtra nuevamente por el usuario con más horas jugadas
data_genero_usuario = data_genero[data_genero["user_id"] == usuario_mas_horas]
# Calcula la acumulación de horas jugadas por año de lanzamiento
horas_por_año = (
data_genero_usuario.groupby("release_year")["playtime_forever"]
.sum()
.reset_index()
)
# Formatea el resultado como un diccionario
resultado = {
"Usuario con más horas jugadas para {}: {}".format(
genero, usuario_mas_horas
): usuario_mas_horas,
"Horas jugadas": [
{"Año": int(año), "Horas": int(horas)}
for año, horas in zip(
horas_por_año["release_year"], horas_por_año["playtime_forever"]
)
],
}
return resultado
def usersRecommend(anio):
"""
Devuelve el top 3 de desarrolladores con juegos MÁS recomendados y análisis de sentimientos positivos (2) por usuarios para el año dado.
Parámetros:
- año (int): Año específico para el cual se desea obtener la información.
Retorna:
list: Una lista de diccionarios con el siguiente formato:
[
{"Puesto 1": <desarrollador1>, "recomendaciones": <cantidad1>},
{"Puesto 2": <desarrollador2>, "recomendaciones": <cantidad2>},
{"Puesto 3": <desarrollador3>, "recomendaciones": <cantidad3>}
]
"""
# Filtramos por el año deseado
df_filtered = top_dev[top_dev["release_year"] == anio]
# Filtramos por comentarios recomendados y sentiment_analysis positivo/neutral
df_filtered = df_filtered[
(df_filtered["reviews_recommend"] == True)
& (df_filtered["sentiment_analysis"].isin([2]))
]
# Obtenemos el top 3 de juegos recomendados
top_games = df_filtered["developer"].value_counts().head(3).reset_index()
# Modificamos la estructura del resultado
result = [
{"Puesto {}".format(i + 1): juego, "recomendaciones": count}
for i, (juego, count) in enumerate(
zip(top_games["developer"], top_games["count"])
)
]
return result
def developerReviewsAnalysis(desarrollador):
"""
Analiza las reseñas de usuarios para un desarrollador específico y devuelve un diccionario con la cantidad total de registros de reseñas categorizados con un análisis de sentimiento como positivo o negativo.
Parámetros:
- df (DataFrame): DataFrame que contiene las columnas 'playtime_forever', 'user_id', 'item_id', 'genres', 'release_year'.
- desarrollador (str): Nombre del desarrollador para el cual se desea realizar el análisis.
Retorna:
dict: Un diccionario con el nombre del desarrollador como llave y una lista con la cantidad total de registros de
reseñas categorizados con un análisis de sentimiento como valor positivo o negativo.
"""
# Filtra el DataFrame por el desarrollador deseado
df_desarrollador = top_dev[top_dev["developer"] == desarrollador]
# Cuenta la cantidad total de registros de reseñas categorizados como positivos o negativos
count_sentimiento = df_desarrollador["sentiment_analysis"].value_counts()
# Formatea el resultado como un diccionario
result = {
desarrollador: {
"Negative": int(count_sentimiento.get(0, 0)),
"Positive": int(count_sentimiento.get(2, 0)),
}
}
return result
def recomendacionJuego(juego):
"""
Esta función muestra una lista de juegos similares a un juego dado.
Parameters:
----------
juego (str): El nombre del juego para el cual se desean encontrar juegos similares.
Returns:
----------
juegos_similares: Esta función imprime una lista de juegos 5 similares al dado.
Pasos:
----------
Verificamos si el juego está en el DataFrame de similitud
Obtenemos la lista de juegos similares y mostrarlos
Imprimimos la lista de juegos similares
"""
# Paso 1
if juego not in item_similar.index:
print(f"No se encontraron juegos similares para {juego}.")
return
# Paso 2
similar_juegos = item_similar.sort_values(by=juego, ascending=False).index[
1:6
] # Mostrar siempre los primeros 5
# Paso 3
juegos_similares = [item for item in similar_juegos]
return juegos_similares