Update utils.py

utils.py

@@ -1,65 +1,16 @@
 import pandas as pd
 import numpy as np
 import warnings
-import glob
-import os
-import re
 warnings.filterwarnings('ignore')
-from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer
+from sklearn.feature_extraction.text import TfidfVectorizer
 from sklearn.metrics.pairwise import cosine_similarity
 from joblib import dump, load
 from sklearn.preprocessing import normalize
 
-def get_latest_version(base_filename):
-    """
-    Obtiene la última versión del archivo guardado.
-    Args:
-        base_filename (str): Nombre base del archivo (sin versión)
-    Returns:
-        str: Nombre del archivo con la versión más reciente
-    """
-    # Buscar todos los archivos que coincidan con el patrón
-    pattern = f"{base_filename}_*.joblib"
-    matching_files = glob.glob(pattern)
-    
-    if not matching_files:
-        return f"{base_filename}_0001.joblib"
-    
-    # Extraer los números de versión y encontrar el máximo
-    versions = []
-    for file in matching_files:
-        match = re.search(r'_(\d{4})\.joblib$', file)
-        if match:
-            versions.append(int(match.group(1)))
-    
-    if versions:
-        latest_version = max(versions)
-        return f"{base_filename}_{latest_version:04d}.joblib"
-    
-    return f"{base_filename}_0001.joblib"
-
-def get_next_version(base_filename):
-    """
-    Genera el nombre del archivo para la siguiente versión.
-    Args:
-        base_filename (str): Nombre base del archivo (sin versión)
-    Returns:
-        str: Nombre del archivo con la siguiente versión
-    """
-    latest_file = get_latest_version(base_filename)
-    match = re.search(r'_(\d{4})\.joblib$', latest_file)
-    if match:
-        current_version = int(match.group(1))
-        next_version = current_version + 1
-    else:
-        next_version = 1
-    
-    return f"{base_filename}_{next_version:04d}.joblib"
-
 def recomienda_tf(new_basket, cestas, productos): 
     # Cargar la matriz TF y el modelo
-    tf_matrix = load(get_latest_version('tf_matrix'))
-    count = load(get_latest_version('count_vectorizer'))
+    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)