Update app.py

app.py

@@ -1,36 +1,31 @@
-# Instalar bibliotecas necesarias
-!pip install gradio sentence-transformers pandas numpy scipy chromadb
+import os
+
+# Instalar las dependencias necesarias
+os.system("pip install -U sentence-transformers chromadb pandas gradio numpy scipy")
 
-# Importar librerías necesarias
+# Importar las bibliotecas necesarias
 from sentence_transformers import SentenceTransformer
 import pandas as pd
 import chromadb
 from chromadb.utils import embedding_functions
-from scipy.spatial.distance import cosine
-from tqdm import tqdm
 from datetime import datetime
 import gradio as gr
-import os
 
 # Configuración de variables
 EMBEDDING_LLM = "jinaai/jina-embeddings-v2-base-es"  # Modelo de embedding utilizado
 
 # Cargar el modelo de embeddings
-model = SentenceTransformer(
-    EMBEDDING_LLM,
-    trust_remote_code=True,
-)
+model = SentenceTransformer(EMBEDDING_LLM, trust_remote_code=True)
+
+# Ruta del archivo CSV
+file_path = "Diagrama_de_decision.csv"  # Asegúrate de subir este archivo al espacio
 
-# Ruta del archivo CSV en Hugging Face Space
-file_path = "Diagrama_de_decision.csv"  # Archivo debe subirse al directorio del Space
+# Verificar que el archivo existe
+if not os.path.exists(file_path):
+    raise FileNotFoundError(f"El archivo {file_path} no se encontró. Por favor, súbelo al directorio del Space.")
 
 # Cargar la base de datos, especificando la codificación
-df = pd.read_csv(
-    file_path,
-    index_col=0,
-    encoding='utf-8',
-    sep='|'
-)
+df = pd.read_csv(file_path, index_col=0, encoding='utf-8', sep='|')
 
 # Crear una columna combinada para embeddings
 df['text'] = df.apply(
@@ -127,4 +122,4 @@ ui = gr.Interface(
 )
 
 # Ejecutar la aplicación
-ui.launch(server_name="0.0.0.0", server_port=7860)
+ui.launch(server_name="0.0.0.0", server_port=7860)