# modules/text_analysis/discourse_analysis.py # Configuración de matplotlib import streamlit as st import spacy import networkx as nx import matplotlib.pyplot as plt import pandas as pd import numpy as np import logging logger = logging.getLogger(__name__) from .semantic_analysis import ( create_concept_graph, visualize_concept_graph, identify_key_concepts ) from .stopwords import ( get_custom_stopwords, process_text, get_stopwords_for_spacy ) ##################### # Define colors for grammatical categories POS_COLORS = { 'ADJ': '#FFA07A', 'ADP': '#98FB98', 'ADV': '#87CEFA', 'AUX': '#DDA0DD', 'CCONJ': '#F0E68C', 'DET': '#FFB6C1', 'INTJ': '#FF6347', 'NOUN': '#90EE90', 'NUM': '#FAFAD2', 'PART': '#D3D3D3', 'PRON': '#FFA500', 'PROPN': '#20B2AA', 'SCONJ': '#DEB887', 'SYM': '#7B68EE', 'VERB': '#FF69B4', 'X': '#A9A9A9', } POS_TRANSLATIONS = { 'es': { 'ADJ': 'Adjetivo', 'ADP': 'Preposición', 'ADV': 'Adverbio', 'AUX': 'Auxiliar', 'CCONJ': 'Conjunción Coordinante', 'DET': 'Determinante', 'INTJ': 'Interjección', 'NOUN': 'Sustantivo', 'NUM': 'Número', 'PART': 'Partícula', 'PRON': 'Pronombre', 'PROPN': 'Nombre Propio', 'SCONJ': 'Conjunción Subordinante', 'SYM': 'Símbolo', 'VERB': 'Verbo', 'X': 'Otro', }, 'en': { 'ADJ': 'Adjective', 'ADP': 'Preposition', 'ADV': 'Adverb', 'AUX': 'Auxiliary', 'CCONJ': 'Coordinating Conjunction', 'DET': 'Determiner', 'INTJ': 'Interjection', 'NOUN': 'Noun', 'NUM': 'Number', 'PART': 'Particle', 'PRON': 'Pronoun', 'PROPN': 'Proper Noun', 'SCONJ': 'Subordinating Conjunction', 'SYM': 'Symbol', 'VERB': 'Verb', 'X': 'Other', }, 'fr': { 'ADJ': 'Adjectif', 'ADP': 'Préposition', 'ADV': 'Adverbe', 'AUX': 'Auxiliaire', 'CCONJ': 'Conjonction de Coordination', 'DET': 'Déterminant', 'INTJ': 'Interjection', 'NOUN': 'Nom', 'NUM': 'Nombre', 'PART': 'Particule', 'PRON': 'Pronom', 'PROPN': 'Nom Propre', 'SCONJ': 'Conjonction de Subordination', 'SYM': 'Symbole', 'VERB': 'Verbe', 'X': 'Autre', } } ENTITY_LABELS = { 'es': { "Personas": "lightblue", "Lugares": "lightcoral", "Inventos": "lightgreen", "Fechas": "lightyellow", "Conceptos": "lightpink" }, 'en': { "People": "lightblue", "Places": "lightcoral", "Inventions": "lightgreen", "Dates": "lightyellow", "Concepts": "lightpink" }, 'fr': { "Personnes": "lightblue", "Lieux": "lightcoral", "Inventions": "lightgreen", "Dates": "lightyellow", "Concepts": "lightpink" } } ################# def compare_semantic_analysis(text1, text2, nlp, lang): """ Realiza el análisis semántico comparativo entre dos textos """ try: logger.info(f"Iniciando análisis comparativo para idioma: {lang}") # Obtener stopwords stopwords = get_custom_stopwords(lang) logger.info(f"Obtenidas {len(stopwords)} stopwords para el idioma {lang}") # Procesar los textos doc1 = nlp(text1) doc2 = nlp(text2) # Identificar conceptos clave logger.info("Identificando conceptos clave del primer texto...") key_concepts1 = identify_key_concepts(doc1, stopwords=stopwords, min_freq=2, min_length=3) logger.info("Identificando conceptos clave del segundo texto...") key_concepts2 = identify_key_concepts(doc2, stopwords=stopwords, min_freq=2, min_length=3) if not key_concepts1 or not key_concepts2: raise ValueError("No se pudieron identificar conceptos clave en uno o ambos textos") # Crear grafos logger.info("Creando grafos de conceptos...") G1 = create_concept_graph(doc1, key_concepts1) G2 = create_concept_graph(doc2, key_concepts2) # Visualizar grafos logger.info("Visualizando grafos...") # Primer grafo plt.figure(figsize=(12, 8)) fig1 = visualize_concept_graph(G1, lang) plt.title("Análisis del primer texto", pad=20) plt.tight_layout() # Segundo grafo plt.figure(figsize=(12, 8)) fig2 = visualize_concept_graph(G2, lang) plt.title("Análisis del segundo texto", pad=20) plt.tight_layout() logger.info("Análisis comparativo completado exitosamente") return fig1, fig2, key_concepts1, key_concepts2 except Exception as e: logger.error(f"Error en compare_semantic_analysis: {str(e)}") plt.close('all') # Limpiar recursos en caso de error raise finally: plt.close('all') # Asegurar limpieza en todos los casos ############################################ def create_concept_table(key_concepts): """ Crea una tabla de conceptos clave con sus frecuencias Args: key_concepts: Lista de tuplas (concepto, frecuencia) Returns: pandas.DataFrame: Tabla formateada de conceptos """ try: if not key_concepts: logger.warning("Lista de conceptos vacía") return pd.DataFrame(columns=['Concepto', 'Frecuencia']) df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia']) df['Frecuencia'] = df['Frecuencia'].round(2) return df except Exception as e: logger.error(f"Error en create_concept_table: {str(e)}") return pd.DataFrame(columns=['Concepto', 'Frecuencia']) ########################################################## def perform_discourse_analysis(text1, text2, nlp, lang): """ Realiza el análisis completo del discurso """ try: logger.info("Iniciando análisis del discurso...") # Verificar inputs if not text1 or not text2: raise ValueError("Los textos de entrada no pueden estar vacíos") if not nlp: raise ValueError("Modelo de lenguaje no inicializado") # Realizar análisis comparativo try: fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis( text1, text2, nlp, lang ) except Exception as e: logger.error(f"Error en el análisis comparativo: {str(e)}") raise # Crear tablas de resultados try: table1 = create_concept_table(key_concepts1) table2 = create_concept_table(key_concepts2) except Exception as e: logger.error(f"Error creando tablas de conceptos: {str(e)}") raise result = { 'graph1': fig1, 'graph2': fig2, 'key_concepts1': key_concepts1, 'key_concepts2': key_concepts2, 'table1': table1, 'table2': table2, 'success': True } logger.info("Análisis del discurso completado exitosamente") return result except Exception as e: logger.error(f"Error en perform_discourse_analysis: {str(e)}") return { 'success': False, 'error': str(e) } finally: plt.close('all') # Asegurar limpieza en todos los casos ################################################################# def create_concept_table(key_concepts): """ Crea una tabla de conceptos clave con sus frecuencias Args: key_concepts: Lista de tuplas (concepto, frecuencia) Returns: pandas.DataFrame: Tabla formateada de conceptos """ try: df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia']) df['Frecuencia'] = df['Frecuencia'].round(2) return df except Exception as e: logger.error(f"Error en create_concept_table: {str(e)}") raise ################# def perform_discourse_analysis(text1, text2, nlp, lang): """ Realiza el análisis completo del discurso Args: text1: Primer texto a analizar text2: Segundo texto a analizar nlp: Modelo de spaCy cargado lang: Código de idioma Returns: dict: Resultados del análisis """ try: # Realizar análisis comparativo fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis( text1, text2, nlp, lang ) # Crear tablas de resultados table1 = create_concept_table(key_concepts1) table2 = create_concept_table(key_concepts2) return { 'graph1': fig1, 'graph2': fig2, 'key_concepts1': key_concepts1, 'key_concepts2': key_concepts2, 'table1': table1, 'table2': table2, 'success': True } except Exception as e: logger.error(f"Error en perform_discourse_analysis: {str(e)}") return { 'success': False, 'error': str(e) }