-
Notifications
You must be signed in to change notification settings - Fork 1
/
api_functions.py
307 lines (256 loc) · 12.5 KB
/
api_functions.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
## FUNCIONES A UTILIZAR EN app.py
# Importaciones
import pandas as pd
import operator
# Datos a usar
df_reviews = pd.read_parquet('data/df_reviews.parquet')
df_gastos_items = pd.read_parquet('data/df_gastos_items.parquet')
df_genre_ranking = pd.read_parquet('data/df_genre_ranking.parquet')
df_playtime_forever = pd.read_parquet('data/df_playtime_forever.parquet')
df_items_developer = pd.read_parquet('data/df_items_developer.parquet')
piv_norm = pd.read_parquet('data/piv_norm.parquet')
item_sim_df = pd.read_parquet('data/item_sim_df.parquet')
user_sim_df = pd.read_parquet('data/user_sim_df.parquet')
def presentacion():
'''
Genera una página de presentación HTML para la API Steam de consultas de videojuegos.
Returns:
str: Código HTML que muestra la página de presentación.
'''
return '''
<html>
<head>
<title>API Steam</title>
<style>
body {
font-family: Arial, sans-serif;
padding: 20px;
}
h1 {
color: #333;
text-align: center;
}
p {
color: #666;
text-align: center;
font-size: 18px;
margin-top: 20px;
}
</style>
</head>
<body>
<h1>API de consultas de videojuegos de la plataforma Steam</h1>
<p>Bienvenido a la API de Steam donde se pueden hacer diferentes consultas sobre la plataforma de videojuegos.</p>
<p>INSTRUCCIONES:</p>
<p>Escriba <span style="background-color: lightgray;">/docs</span> a continuación de la URL actual de esta página para interactuar con la API</p>
<p> Visita mi perfil en <a href="https://www.linkedin.com/in/ingambcarlapezzone/"><img alt="LinkedIn" src="https://img.shields.io/badge/LinkedIn-blue?style=flat-square&logo=linkedin"></a></p>
<p> El desarrollo de este proyecto esta en <a href="https://github.com/IngCarlaPezzone/PI1_MLOps_videojuegos"><img alt="GitHub" src="https://img.shields.io/badge/GitHub-black?style=flat-square&logo=github"></a></p>
</body>
</html>
'''
def userdata(user_id):
'''
Esta función devuelve información sobre un usuario según su 'user_id'.
Args:
user_id (str): Identificador único del usuario.
Returns:
dict: Un diccionario que contiene información sobre el usuario.
- 'cantidad_dinero' (int): Cantidad de dinero gastado por el usuario.
- 'porcentaje_recomendacion' (float): Porcentaje de recomendaciones realizadas por el usuario.
- 'total_items' (int): Cantidad de items que tiene el usuario.
'''
# Filtra por el usuario de interés
usuario = df_reviews[df_reviews['user_id'] == user_id]
# Calcula la cantidad de dinero gastado para el usuario de interés
cantidad_dinero = df_gastos_items[df_gastos_items['user_id']== user_id]['price'].iloc[0]
# Busca el count_item para el usuario de interés
count_items = df_gastos_items[df_gastos_items['user_id']== user_id]['items_count'].iloc[0]
# Calcula el total de recomendaciones realizadas por el usuario de interés
total_recomendaciones = usuario['reviews_recommend'].sum()
# Calcula el total de reviews realizada por todos los usuarios
total_reviews = len(df_reviews['user_id'].unique())
# Calcula el porcentaje de recomendaciones realizadas por el usuario de interés
porcentaje_recomendaciones = (total_recomendaciones / total_reviews) * 100
return {
'cantidad_dinero': int(cantidad_dinero),
'porcentaje_recomendacion': round(float(porcentaje_recomendaciones), 2),
'total_items': int(count_items)
}
def countreviews(fecha_inicio, fecha_fin):
'''
Esta función devuelve estadísticas sobre las reviews realizadas por los usuarios entre dos fechas.
Args:
fecha_inicio (str): Fecha de inicio para filtrar la información en formato YYYY-MM-DD.
fecha_fin (str): Fecha de fin para filtrar la información en formato YYYY-MM-DD.
Returns:
dict: Un diccionario que contiene estadísticas de las reviews entre las fechas especificadas.
- 'total_usuarios_reviews' (int): Cantidad de usuarios que realizaron reviews entre las fechas.
- 'porcentaje_recomendaciones' (float): Porcentaje de recomendaciones positivas (True) entre las reviews realizadas.
'''
# Filtra el dataframe entre las fechas de interés
user_data_entre_fechas = df_reviews[(df_reviews['reviews_date'] >= fecha_inicio) & (df_reviews['reviews_date'] <= fecha_fin)]
# Calcula la cantidad de usuarios que dieron reviews entre las fechas de interés
total_usuarios = user_data_entre_fechas['user_id'].nunique()
# Calcula el total de recomendaciones entre las fechas de interes (True + False)
total_recomendacion = len(user_data_entre_fechas)
# Calcula la cantidad de recomendaciones positivas que que hicieron entre las fechas de interés
total_recomendaciones_True = user_data_entre_fechas['reviews_recommend'].sum()
# Calcula el porcentaje de recomendación realizadas entre el total de usuarios
porcentaje_recomendaciones = (total_recomendaciones_True / total_recomendacion) * 100
return {
'total_usuarios_reviews': int(total_usuarios),
'porcentaje_recomendaciones': round(float(porcentaje_recomendaciones),2)
}
def genre(genero):
'''
Esta función devuelve la posición de un género de videojuego en un ranking basado en la cantidad de horas jugadas.
Args:
genero (str): Género del videojuego.
Returns:
dict: Un diccionario que contiene la posición del género en el ranking.
- 'rank' (int): Posición del género en el ranking basado en las horas jugadas.
'''
# Busca el ranking para el género de interés
rank = df_genre_ranking[df_genre_ranking['genres'] == genero]['ranking'].iloc[0]
return {
'rank': int(rank)
}
def userforgenre(genero):
'''
Esta función devuelve el top 5 de usuarios con más horas de juego en un género específico, junto con su URL de perfil y ID de usuario.
Args:
genero (str): Género del videojuego.
Returns:
dict: Un diccionario que contiene el top 5 de usuarios con más horas de juego en el género dado, junto con su URL de perfil y ID de usuario.
- 'user_id' (str): ID del usuario.
- 'user_url' (str): URL del perfil del usuario.
'''
# Filtra el dataframe por el género de interés
data_por_genero = df_playtime_forever[df_playtime_forever['genres'] == genero]
# Agrupa el dataframe filtrado por usuario y suma la cantidad de horas
top_users = data_por_genero.groupby(['user_url', 'user_id'])['playtime_horas'].sum().nlargest(5).reset_index()
# Se hace un diccionario vacío para guardar los datos que se necesitan
top_users_dict = {}
for index, row in top_users.iterrows():
# User info recorre cada fila del top 5 y lo guarda en el diccionario
user_info = {
'user_id': row['user_id'],
'user_url': row['user_url']
}
top_users_dict[index + 1] = user_info
return top_users_dict
def developer(desarrollador):
'''
Esta función devuelve información sobre una empresa desarrolladora de videojuegos.
Args:
desarrollador (str): Nombre del desarrollador de videojuegos.
Returns:
dict: Un diccionario que contiene información sobre la empresa desarrolladora.
- 'cantidad_por_año' (dict): Cantidad de items desarrollados por año.
- 'porcentaje_gratis_por_año' (dict): Porcentaje de contenido gratuito por año según la empresa desarrolladora.
'''
# Filtra el dataframe por desarrollador de interés
data_filtrada = df_items_developer[df_items_developer['developer'] == desarrollador]
# Calcula la cantidad de items por año
cantidad_por_año = data_filtrada.groupby('release_anio')['item_id'].count()
# Calcula la cantidad de elementos gratis por año
cantidad_gratis_por_año = data_filtrada[data_filtrada['price'] == 0.0].groupby('release_anio')['item_id'].count()
# Calcula el porcentaje de elementos gratis por año
porcentaje_gratis_por_año = (cantidad_gratis_por_año / cantidad_por_año * 100).fillna(0).astype(int)
result_dict = {
'cantidad_por_año': cantidad_por_año.to_dict(),
'porcentaje_gratis_por_año': porcentaje_gratis_por_año.to_dict()
}
return result_dict
def sentiment_analysis(anio):
'''
Realiza un análisis de sentimiento en base al año ingresado.
Args:
anio (str): El año para filtrar las reseñas.
Returns:
dict: Un diccionario con el recuento de categorías de sentimiento.
'''
# Filtra las reseñas del año específico
anio_reviews = df_reviews[df_reviews['release_anio'] == anio]
# Inicializa un diccionario para contar las categorías de sentimiento
sentiment_counts = {'Negative': 0, 'Neutral': 0, 'Positive': 0}
# Itera a través de las reseñas del año seleccionado
for _, row in anio_reviews.iterrows():
sentiment = row['sentiment_analysis']
sentiment_category = ''
# Maneja valores no numéricos en la columna 'release_anio'
try:
# Asigna la categoría de sentimiento correspondiente
if sentiment == 0:
sentiment_category = 'Negative'
elif sentiment == 1:
sentiment_category = 'Neutral'
elif sentiment == 2:
sentiment_category = 'Positive'
# Incrementa el contador correspondiente en el diccionario
sentiment_counts[sentiment_category] += 1
except ValueError:
# Maneja el valor no numérico (como 'Sin Dato Disponible')
pass
return sentiment_counts
def recomendacion_juego(game):
'''
Muestra una lista de juegos similares a un juego dado.
Args:
game (str): El nombre del juego para el cual se desean encontrar juegos similares.
Returns:
None: Un diccionario con 5 nombres de juegos recomendados.
'''
# Obtener la lista de juegos similares ordenados
similar_games = item_sim_df.sort_values(by=game, ascending=False).iloc[1:6]
count = 1
contador = 1
recomendaciones = {}
for item in similar_games:
if contador <= 5:
item = str(item)
recomendaciones[count] = item
count += 1
contador += 1
else:
break
return recomendaciones
def recomendacion_usuario(user):
'''
Genera una lista de los juegos más recomendados para un usuario, basándose en las calificaciones de usuarios similares.
Args:
user (str): El nombre o identificador del usuario para el cual se desean generar recomendaciones.
Returns:
list: Una lista de los juegos más recomendados para el usuario basado en la calificación de usuarios similares.
'''
# Verifica si el usuario está presente en las columnas de piv_norm (si no está, devuelve un mensaje)
if user not in piv_norm.columns:
return('No data available on user {}'.format(user))
# Obtiene los usuarios más similares al usuario dado
sim_users = user_sim_df.sort_values(by=user, ascending=False).index[1:11]
best = [] # Lista para almacenar los juegos mejor calificados por usuarios similares
most_common = {} # Diccionario para contar cuántas veces se recomienda cada juego
# Para cada usuario similar, encuentra el juego mejor calificado y lo agrega a la lista 'best'
for i in sim_users:
i = str(i)
max_score = piv_norm.loc[:, i].max()
best.append(piv_norm[piv_norm.loc[:, i]==max_score].index.tolist())
# Cuenta cuántas veces se recomienda cada juego
for i in range(len(best)):
for j in best[i]:
if j in most_common:
most_common[j] += 1
else:
most_common[j] = 1
# Ordena los juegos por la frecuencia de recomendación en orden descendente
sorted_list = sorted(most_common.items(), key=operator.itemgetter(1), reverse=True)
recomendaciones = {}
contador = 1
# Devuelve los 5 juegos más recomendados
for juego, _ in sorted_list:
if contador <= 5:
recomendaciones[contador] = juego
contador += 1
else:
break
return recomendaciones