feat: Translated Summary to Spanish

utils.py

@@ -10,61 +10,42 @@ from sklearn.preprocessing import normalize
 
 
 
-def recomienda_tf(new_basket, cestas, productos):
-
-
-    # Cargar la matriz TF-IDF y el modelo
-    tf_matrix = load('tf_matrix.joblib') 
-    # MAtriz que tienen cada columna los diferentes artículos y las diferentes cestas en las filas
-    # Los valores son la importancia de cada artículo en la cesta según las veces que aparece en la misma y el total de artículos
+def recomienda_tf(new_basket,cestas,productos): 
+    # Cargar la matriz TF y el modelo
+    tf_matrix = load('tf_matrix.joblib')
+                      
     count = load('count_vectorizer.joblib')
-
     # Convertir la nueva cesta en formato TF (Term Frequency)
     new_basket_str = ' '.join(new_basket)
     new_basket_vector = count.transform([new_basket_str])
-    new_basket_tf = normalize(new_basket_vector, norm='l1') # Normalizamos la matriz count de la cesta actual
-
+    new_basket_tf = normalize(new_basket_vector, norm='l1')  # Normalizamos la matriz count de la cesta actual
     # Comparar la nueva cesta con las anteriores
-    # Calculando la distancia coseoidal, distancia entre rectas
     similarities = cosine_similarity(new_basket_tf, tf_matrix)
-    # La similitud coseno devuelve un valor entre 0 y 1, donde 1 significa 
-    # que las cestas son idénticas en términos de productos y 0 que no comparten ningún producto.
-
     # Obtener los índices de las cestas más similares
-    # Muestra los índices de Las 3 cestas más parecidas atendiendo a la distancia calculada anteriormente
     similar_indices = similarities.argsort()[0][-4:]  # Las 4 más similares
-
     # Crear un diccionario para contar las recomendaciones
     recommendations_count = {}
     total_similarity = 0
-
     # Recomendar productos de cestas similares
     for idx in similar_indices:
         sim_score = similarities[0][idx]
-        # sim_score es el valor de similitud de la cesta actual con la cesta similar.
-        total_similarity += sim_score # Suma de las similitudes entre 0 y el nº de cestas similares
+        total_similarity += sim_score  # Suma de las similitudes
         products = cestas.iloc[idx]['Cestas'].split()
-
         # Usar un conjunto para evitar contar productos múltiples veces en la misma cesta
         unique_products = set(products)  # Usar un conjunto para obtener productos únicos
-        
-        for product in products:
+        # Con esto evitamos que la importancia crezca por las unidades
+        for product in unique_products:
             if product.strip() not in new_basket:  # Evitar recomendar lo que ya está en la cesta
                 recommendations_count[product.strip()] = recommendations_count.get(product.strip(), 0) + sim_score
-                #  se utiliza para incrementar el conteo del producto en recommendations_count.
-                # almacena el conteo de la relevancia de cada producto basado en cuántas veces aparece en las cestas similares, ponderado por la similitud de cada cesta.
-                # sumandole sim_score se incrementa el score cuando la cesta es mas similar
-
+                # Almacena el conteo de la relevancia de cada producto basado en cuántas veces aparece en las cestas similares, ponderado por la similitud de cada cesta.
     # Calcular la probabilidad relativa de cada producto recomendado
     recommendations_with_prob = []
     if total_similarity > 0:  # Verificar que total_similarity no sea cero
         recommendations_with_prob = [(product, score / total_similarity) for product, score in recommendations_count.items()]
-        # Se guarda cada producto junto su score calculada
     else:
         print("No se encontraron similitudes suficientes para calcular probabilidades.")
      
     recommendations_with_prob.sort(key=lambda x: x[1], reverse=True)  # Ordenar por puntuación
-
     # Crear un nuevo DataFrame para almacenar las recomendaciones
     recommendations_data = []
     
@@ -77,7 +58,6 @@ def recomienda_tf(new_basket, cestas, productos):
                 'DESCRIPCION': description.values[0],  # Obtener el primer valor encontrado
                 'RELEVANCIA': score
             })
-
     recommendations_df = pd.DataFrame(recommendations_data)
     
-    return recommendations_df
+    return recommendations_df