Pymetric IA

Una aplicación inteligente de visualización de datos que combina Claude Sonnet 4 con Chainlit para generar gráficos automáticamente a partir de consultas en lenguaje natural.

Características

• IA Avanzada: Powered by Claude Sonnet 4 (último modelo de Anthropic)
• Visualizaciones Automáticas: Genera código Python y gráficos con Plotly
• Interfaz Conversacional: Chat intuitivo con Chainlit
• Múltiples Formatos: Soporte para CSV, Excel, JSON, Parquet
• Arquitectura MVC: Código organizado y escalable
• Patrón Singleton: Gestión eficiente de configuración
• Sugerencias Inteligentes: Recomendaciones automáticas de visualizaciones
• Persistencia MongoDB: Almacenamiento robusto con Pydantic
• Selección de Dataset: Gestión inteligente de múltiples datasets

Arquitectura

El proyecto implementa el patrón Modelo-Vista-Controlador (MVC) con Singleton para una arquitectura limpia y escalable:

metric-grapher-ia/
├── models/                 # Modelos de datos
│   ├── claude_config.py    # Patron Singleton para configuración de Claude
│   ├── data_models.py      # Estructuras de datos y almacén
│   ├── enhanced_data_store.py  # DataStore con MongoDB
│   ├── mongodb_client.py   # Cliente MongoDB con repositorios
│   └── pydantic_models.py  # Modelos Pydantic para validación
├── controllers/            # Lógica de negocio
│   ├── data_controller.py  # Procesamiento de datos
│   └── visualization_controller.py  # Generación de gráficos
├── views/                  # Interfaz de usuario
│   └── app.py             # Aplicación Chainlit
└── utils/                  # Utilidades
    └── helpers.py         # Funciones auxiliares

Componentes Principales

Claude Sonnet 4 Integration

• Modelo más avanzado de Anthropic (claude-sonnet-4-20250514)
• Genera código Python optimizado para visualizaciones
• Análisis inteligente de datos y sugerencias

Plotly Visualizations

• Gráficos interactivos y profesionales
• Soporte completo para tipos de gráficos
• Exportación y personalización avanzada

Chainlit Interface

• Chat conversacional intuitivo
• Carga de archivos drag-and-drop
• Visualización integrada de gráficos

MongoDB + Pydantic

• Persistencia robusta de datasets y visualizaciones
• Validación automática de datos con Pydantic
• Gestión de sesiones de usuario
• Fallback automático a almacenamiento local

Instalación

1. Clonar el repositorio

git clone https://github.com/tu-usuario/metric-grapher-ia.git
cd metric-grapher-ia

2. Crear entorno virtual

python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# o
.venv\Scripts\activate     # Windows

3. Instalar dependencias

pip install -e .

4. Configurar API Key

export ANTHROPIC_API_KEY="tu-api-key-aqui"

5. Configurar MongoDB (Opcional)

# Instalar MongoDB localmente o usar MongoDB Atlas
# La aplicación funciona con fallback local si MongoDB no está disponible

6. Ejecutar la aplicación

chainlit run views/app.py

Uso

Comandos Disponibles

• /datasets - Ver datasets cargados
• /usar [nombre] - Seleccionar dataset activo
• /ejemplo - Cargar dataset de ejemplo
• /modelo - Ver modelo actual de Claude
• /modelo [sonnet4|sonnet|haiku|opus] - Cambiar modelo
• /historial - Ver historial de visualizaciones
• /mongodb - Verificar estado de MongoDB
• /codigo - Mostrar/ocultar código Python
• /reset - Reiniciar sesión
• /ayuda - Mostrar ayuda

Ejemplos de Consultas

"Crea un gráfico de barras de las ventas por mes"
"Muestra la correlación entre precio y ventas"
"Haz un histograma de la edad de los clientes"
"Analiza las tendencias en los datos de ventas"
"Genera un scatter plot de altura vs peso"
"Usa el dataset data_sinthetic para crear un gráfico"

Formatos Soportados

• CSV (.csv)
• Excel (.xlsx, .xls)
• JSON (.json)
• Parquet (.parquet)

Tipos de Gráficos

• Líneas: Series temporales y tendencias
• Barras: Comparaciones categóricas
• Dispersión: Correlaciones y relaciones
• Histogramas: Distribuciones
• Box Plots: Estadísticas por grupos
• Heatmaps: Matrices de correlación
• Pie Charts: Proporciones
• Área: Evolución acumulativa
• Violin: Distribuciones detalladas

Configuración Avanzada

Modelos de Claude

# Configuración en models/claude_config.py
CLAUDE_MODELS = {
    "sonnet4": "claude-sonnet-4-20250514",      # Más potente (nuevo)
    "sonnet": "claude-3-5-sonnet-20241022",     # Balance rendimiento/costo
    "haiku": "claude-3-5-haiku-20241022",       # Rápido y económico
    "opus": "claude-3-opus-20240229"            # Tareas complejas
}

Configuración de MongoDB

# En models/mongodb_client.py
DATABASE_CONFIG = {
    "host": "localhost",
    "port": 27017,
    "database": "anthropic-db",
    "collection": "metric-grapher-ia"
}

Personalización de Prompts

# En models/claude_config.py
system_prompt = """Tu prompt personalizado aquí..."""

Desarrollo

Estructura del Código

Modelos (models/)

• ClaudeConfig: Singleton para configuración de IA
• EnhancedDataStore: Almacén de datos con MongoDB
• MongoDBClient: Cliente MongoDB con repositorios
• PydanticModels: Modelos de validación de datos
• VisualizationRequest/Result: Estructuras de datos

Controladores (controllers/)

• DataController: Carga y procesamiento de datos
• VisualizationController: Generación de gráficos con IA

Vistas (views/)

• app.py: Interfaz Chainlit y manejo de eventos

Extender Funcionalidad

1. Nuevos tipos de gráficos: Agregar en ChartType enum
2. Nuevos formatos: Extender DataController.load_dataset_from_file()
3. Nuevos comandos: Agregar en chat() message handler
4. Nuevos modelos Pydantic: Agregar en pydantic_models.py

Ejemplos de Uso

Gestión de Múltiples Datasets

# Cargar datasets
/ejemplo
# Subir archivo CSV/Excel

# Ver datasets disponibles
/datasets

# Seleccionar dataset específico
/usar data_sinthetic

# Usar dataset en consulta natural
"Crea un gráfico con el dataset sample_data"

Generación de Gráficos

# Solicitud natural:
"Crea un gráfico de ventas por región"

# El sistema:
# 1. Analiza los datos del dataset activo
# 2. Genera código Python optimizado
# 3. Ejecuta y muestra el gráfico interactivo
# 4. Proporciona insights automáticos
# 5. Guarda en MongoDB para persistencia

Contribuir

1. Fork el proyecto
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

Licencia

Distribuido bajo la Licencia MIT. Ver LICENSE para más información.

Autor

Hugo Ramirez - [email protected]

---

¡Dale una estrella si te gusta el proyecto!