Problema de renderizado visual en Python en el wrapper .Net

Gracias por la respuesta @rohit1991 . Sí, la única alternativa que he oído es pre-computación. Sin embargo, no es factible con mi situación actual. Me gustaría saber si conoces algún vídeo personalizado gratuito que llame a una API backend para resúmenes dinámicos y que también funcione en un entorno de wrapper .NET.

Estimado @AshokKunwar, En primer lugar, gracias por ofrecer 3 enfoques diferentes. También debo señalar que soy nuevo en Power BI.

Solución 1: Mover la lógica al wrapper .NET (Pro-Code)

No tengo Power BI Client SDK y el portal .NET también lo desarrolla otro equipo, y los usamos para alojar nuestro panel de control. así que literalmente, no tengo acceso para editar ni modificar nada en el portal. Tampoco estoy familiarizado con el uso de funciones de Azure.

Solución 2: Power Automate + AI Builder (Low-Code)

Como mencioné, no tienes exposición ni acceso a Azure, funciones de IA o modelos basados en tokens.

Solución 3: El visual de "contenido HTML" (implementación más rápida). Pensaba que podríamos tener algún vídeo personalizado que pudiera tomar la entrada como un conjunto de comentarios de texto y luego devolver un texto resumen. Sin embargo, no estoy seguro de que esto se pueda hacer con grupos de calcaluación, ya que implica entender todos los comentarios y crear un resumen breve.

Por favor, aconsejadme si el script de python adjunto aquí puede convertirse en una función DAX o en algún script que funcione con contenido HTML personalizado visual y en entorno .NET.

Perdón, porque esto va a ser un post largo:
====================

importar matplotlib.pyplot como plt
Importación RE
de colecciones importación Contador
importar textwrap

# ============================================================
# CONFIG
# ============================================================
EVENT_COL = "Nombre del evento"
TEXT_COL = "¿Alguna sugerencia para mejorar tu experiencia?"

MAX_THEMES = 5 # mostrar como máximo esta cantidad de temas
MIN_COUNT_RAW = 4 # min de frecuencia para palabras sin mapear (muy estrictas)
RAW_THEMES_ON = Verdadero # establece Falso si SOLO quieres temas seleccionados de label_map
# ============================================================


# ============================================================
# PASO 1 — Extraer los tokens de nombre de eventos para que los nombres de eventos nunca se conviertan en temas
# ============================================================

Def tokenize_event_name(nombre: STR):
si no es isinstance(nombre, fuerza):
volver []
Nombre = en el nombre. Lower()
Nombre = re.sub(r"[^a-z0-9s]", " ", nombre)
return [t por t en name.split() si len(t) > 2]

event_tokens = conjunto()
Si EVENT_COL en dataset.columns:
para EV en dataset[EVENT_COL].dropna().unique():
event_tokens.update(tokenize_event_name(ev))


# ============================================================
# PASO 2 — Palabra clave robusta + diccionario de basura
# ============================================================

# Palabras clave en inglés base (estilo NLTK)
base_stopwords = {
"Yo", "yo", "mi", "mí", "nosotros", "nuestro", "nuestro", "nosotros", "tú", "tu", "tu", "tú mismo", "tú mismo",
"él", "él", "su", "él mismo", "ella", "ella", "ella", "ella", "ella", "es", "él", "él",
"ellos", "ellos", "su", "suyos", "ellos mismos",
"qué", "quién", "quién", "quién", "esto", "aquello", "esto", "aquello",
"soy", "es", "eres", "fue", "sido",
"tiene", "tiene", "tenía", "teniendo", "hay", "hace",
"a", "an", "el", "y", "pero", "si", "o", "porque", "como", "hasta que", "mentres",
"de", "en", "por", "a favor", "con", "sobre", "contra", "entre", "en", "a través", "durante",
"antes", "después", "arriba", "abajo", "hasta", "de", "arriba", "abajo", "dentro", "fuera", "enciende", "apagado", "encima", "abajo",
"otra vez", "más", "luego", "una vez", "aquí", "allá", "cuando", "dónde", "por qué", "cómo",
"todos", "cualquiera", "ambos", "todos", "pocos", "más", "mayores", "otros", "algunos", "tales",
"no", "no", "no", "solo", "posee", "igual", "así", "que", "demasiado", "muy",
"puede", "hará", "solo", "no debería", "ahora", "también", "por favor", "incluir", "mejor"
}

# Palabras extra basura/estructurales específicas de sugerencias contexto
extra_junk = {
# Elogios genéricos/rellenos – no temas
"Bien", "Genial", "Bien", "Increíble", "Increíble", "Excelente", "Fantástico", "Soberbio", "Maravilloso", "Mejor",
"Bueno", "bien", "vale", "vale", "super", "memorable", "disfrutable", "satisfactorio",

# Cortesía / gracias
"gracias", "gracias", "gracias", "gracias!", "gracias", "¡gracias!", "gracias!!", "gracias🙏","gracias🙏",

# Eco de preguntas / palabras de relleno
"sugerencias", "sugerencias", "mejorar", "mejorar", "mejoras", "experiencia",
"retroalimentación", "entradas", "entrada", "puntos", "puntos", "comentarios", "compartir", "compartir", "compartir",

# Sustantivos genéricos de eventos
"evento", "eventos", "sesión", "sesiones", "reuniones", "reuniones", "programa", "programas",
"show", "shows", "función", "funciones", "día", "días", "hoy", "ayer", "mañana",
"tarde", "mañana", "tarde",

# Verbos genéricos y cosas vagas
"tenía", "tenía", "hizo", "hizo", "haciendo", "hicido", "hago", "hace", "toma", "toma", "tomada",
"ver", "ver", "ver", "querer", "querer", "querría", "podría", "debería", "esperanza", "esperaba", "esperaba",
"mirando", "mirando", "sintiendo", "sintiendo", "disfrutando", "disfrutando", "gustando", "me gusta", "amor", "amado",
"apreciar", "apreciar", "ayudar", "ayudar", "ayudar", "gestionar", "arreglar", "organizar", "organizar",
"planificación", "planificada", "coordinada", "coordinada", "apoyo", "apoyo",

# Breves rellenos conversacionales
"sí", "sí", "sí", "vale", "vale", "hmm", "hmmm", "jajaja", ja, jajaja, jajaja.

# Emojis / fichas basura
"👍","👏","😊","🙏","😀","😄","😂","😁","🙂","😉","😇","🎉","🎊","💯","❤️","♥","😁😁","😂😂",

# Palabras conocidas de basura/estructurales que no quieres como temas
"camp", # a menudo forma parte del nombre del evento como "Campo de Donación de Sangre"
}

# Combina palabras de paso base, basura personalizada y fichas de evento
palabras clave = base_stopwords | extra_junk | event_tokens


# ============================================================
# PASO 3 — Tokenizador con filtrado fuerte
# ============================================================

Def clean_tokens(texto: STR):
si no es isinstance (texto, str):
volver []
texto = texto.lower()
texto = re.sub(r"[^a-z0-9s]", " ", texto)
fichas = []
para t en text.split():
si no es t:
continúa
t = t.strip()
# Saltarse números puros
si t.isdigit():
continúa
# saltarse fichas muy cortas
si len(t) <= 2:
continúa
# Salta palabras de parada y piezas de nombres de eventos
Si T en palabras clave o T en event_tokens:
continúa
tokens.append(t)
Tokens de retorno


# ============================================================
# PASO 4 — Diccionario de temas (label_map) ajustado para mejoras
# ============================================================

label_map = {
# Multitud / cola / flujo
"multitud": "multitud y colas",
"abarrotado": "multitud y colas",
"cola": "multitud y colas",
"colas": "multitud y colas",
"línea": "multitud y colas",
"líneas": "multitud y colas",
"Entrada": "Multitud y colas",
"salida": "multitud y colas",
"flow": "multitud y colas",

# Tiempo / horario / duración
"Tiempo": "Gestión del tiempo",
"retraso": "gestión del tiempo",
"retrasos": "gestión del tiempo",
"tarde": "gestión del tiempo",
"Antes": "Gestión del tiempo",
"duración": "gestión del tiempo",
"horario": "gestión del tiempo",
"reprogramar": "gestión del tiempo",

# Lugar / asientos / instalaciones
"Lugar": "Espacio e Instalaciones",
"Salón": "Lugar e instalaciones",
"auditorio": "Espacio e instalaciones",
"ubicación": "sede e instalaciones",
"espacio": "asientos y espacio",
"Asientos": "Asientos y espacio",
"Asiento": "Asientos y espacio",
"Asientos": "Asientos y espacio",
"sillas": "asientos y espacio",
"Silla": "Asientos y espacio",
"fan": "sede e instalaciones",
"fans": "sede e instalaciones",
"AC": "Lugar e Instalaciones",
"aire": "Lugar e instalaciones",
"sonido": "sonido y técnico",
"Audio": "Sonido y Técnica",
"mic": "sonido y técnica",
"Altavoz": "Sonido y Técnica",
"altavoces": "sonido y técnica",
"Luz": "Iluminación y Ambiente",
"luces": "iluminación y ambiente",
"iluminación": "iluminación y ambiente",

# Comida / tentempiés / agua
"Tentempié": "Aperitivos y refrescos",
"Aperitivos": "Aperitivos y refrescos",
"refrescos": "aperitivos y refrescos",
"refrescos": "aperitivos y refrescos",
"comida": "aperitivos y refrescos",
"Almuerzo": "Aperitivos y refrescos",
"Cena": "Aperitivos y refrescos",
"agua": "aperitivos y refrescos",
"Botella": "Aperitivos y refrescos",
"botellas": "aperitivos y refrescos",

# Registro / proceso / comunicación
"registro": "registro y proceso",
"registro": "registro y proceso",
"formularios": "registro y proceso",
"formulario": "registro y proceso",
"proceso": "registro y proceso",
"procedimiento": "registro y proceso",
"instrucciones": "comunicación e información",
"Información": "Comunicación e información",
"Info": "Comunicación e información",
"comunicación": "comunicación e información",
"actualización": "comunicación e información",
"Actualizaciones": "Comunicación e información",
"correo": "comunicación e información",
"correo electrónico": "comunicación e información",
"WhatsApp": "Comunicación e información",
"notificación": "comunicación e información",
"notificaciones": "comunicación e información",

# Aparcamiento / transporte / acceso
"aparcamiento": "aparcamiento y acceso",
"parque": "aparcamiento y acceso",
"punto de entrada": "aparcamiento y acceso",
"puerta": "aparcamiento y acceso",
"tráfico": "aparcamiento y acceso",

# Niños y familia
"niños": "niños y actividades familiares",
"niños": "actividades para niños y familia",
"Familia": "Niños y actividades familiares",
"Familias": "Niños y actividades familiares",
"Puesto": "Actividades para niños y familia",
"foto": "actividades para niños y familia",
"fotos": "actividades para niños y familia",
"photobooth": "actividades para niños y familia",
"juegos": "actividades para niños y familia", # puestos de juegos para niños, etc.
"juego": "actividades para niños y familia",

# Frecuencia / eventos futuros
"frecuencia": "frecuencia y cadencia de eventos",
"regular": "frecuencia y cadencia de eventos",
"regularmente": "frecuencia y cadencia de eventos",
"a menudo": "frecuencia y cadencia de eventos",
"mensual": "frecuencia y cadencia de eventos",
"anual": "frecuencia y cadencia de eventos",
"trimestral": "frecuencia y cadencia de eventos",

# Contenido / actividades / participación
"contenido": "contenido y actividades",
"actividades": "contenido y actividades",
"actividad": "contenido y actividades",
"sesión": "contenido y actividades",
"Sesiones": "Contenido y actividades",
"variedad": "contenido y actividades",
"opciones": "contenido y actividades",
"opciones": "contenido y actividades",

# Seguridad / higiene
"seguridad": "seguridad e higiene",
"Seguro": "Seguridad e Higiene",
"higiene": "seguridad e higiene",
"Limpieza": "Seguridad e Higiene",
"limpieza": "seguridad e higiene",
"baño": "seguridad e higiene",
"baños": "seguridad e higiene",
"Inodoro": "Seguridad e Higiene",
"baños": "seguridad e higiene",

# Personal / voluntarios
"Voluntarios": "Personal y voluntarios",
"voluntarios": "personal y voluntarios",
"personal": "personal y voluntarios",
"Helpdesk": "Personal y voluntarios",
}


# ============================================================
# PASO 5 — Resumidor
# ============================================================

Def summarize_group(mensajes):
fichas = []
Para la testosterona en los textos:
tokens.extend(clean_tokens(t))

Si no son fichas:
volver ""

conteos = Contador (tokens)

# 1) Agrega temas mapeados
theme_counts = Contador()
para palabra, c en cuenta.elementos():
si la palabra está en label_map:
theme_counts[label_map[palabra]] += c

# 2) Opcional: Añadir palabras muy fuertes y no mapeadas como temas en bruto
Si RAW_THEMES_ON:
para palabra, c en cuenta.elementos():
si la palabra está en label_map:
continúa
Si c < MIN_COUNT_RAW:
continúa
# Evita verbos/adverbios obvios
si word.terminswith(("ed", "ing", "ly", "s")):
continúa
si len(palabra) <= 3:
continúa
si la palabra está en event_tokens:
continúa
theme_counts[palabra] += c

Si no theme_counts:
volver ""

top_themes = [tema para el tema, _ en theme_counts.most_common(MAX_THEMES)]
Si no top_themes:
volver ""

if len(top_themes) == 1:
return f"Los participantes sugirieron mejoras con mayor frecuencia en {top_themes[0]}."
Elif Len(top_themes) == 2:
regreso (
f"Los participantes sugirieron mejoras con mayor frecuencia en "
f"{top_themes[0]} y {top_themes[1]}."
)
De lo contrario:
regreso (
"Los participantes sugirieron mejoras con mayor frecuencia en "
+ ", ".join(top_themes[:-1])
+ f", y {top_themes[-1]}."
)


Def wrap_text(texto, ancho=80):
return "n".join(textwrap.wrap(text, width))


# ============================================================
# APLICAR A DATOS FILTRADOS ACTUALES
# ============================================================

si no TEXT_COL en dataset.columns:
summary_text = f"Columna '{TEXT_COL}' no encontrada en la imagen actual."
De lo contrario:
textos = dataset[TEXT_COL].dropna()
summary_text = summarize_group(textos)
Si no summary_text:
summary_text = "No se han encontrado temas de mejora recurrentes claros para la selección actual."

envuelta = wrap_text(summary_text)
# ============================================================
# DIBUJA VISUAL — resistente contra el recorte
# ============================================================
fig_w, fig_h, dpi = 20, 4, 120
tamaño de fuente = 40

# Opcional: envolvimiento más inteligente basado en la figura + tamaño de fuente
def dynamic_wrap(texto, fig_width_in=fig_w, dpi=dpi, font_size=tamaño de fuente, char_width_px=0,6):
px_width = fig_width_in * dpi
approx_char_px = font_size * char_width_px
width_chars = max(30, int(px_width / approx_char_px))
return "n".join(textwrap.wrap(text, width=width_chars))

envuelta = dynamic_wrap(summary_text)

fig = plt.figure(figsize=(fig_w, fig_h), dpi=dpi)
# Colocar texto en coordenadas FIGURE para evitar el recorte de ejes
fig.text(0.5, 0.5, envuelto,
ha="center", va="center",
tamaño de la fuente=tamaño de la fuente, peso de la fuente='negrita',
color='azul oscuro',
wrap=True,
bbox=dict(boxstyle='redondo,pad=0.5', colorcolor/cara='blanco', alfa=0.95, colorcolor/aristas='blanco'))

plt.tight_layout(pad=2.0)

plt.show()

====================

Hola @kushanNa En mi otra respuesta he publicado mi script en Python que funciona como se esperaba. Sin embargo, no es compatible con el panel de control alojado o incrustado en un wrapper .NET. Por eso, busco formas alternativas de resumir los comentarios de la encuesta, como algún vídeo o script personalizado que soporte wrapper en .NET.