teste de alteração de script

app.py

@@ -1,21 +1,74 @@
 import streamlit as st
-from transformers import pipeline
-from textblob import TextBlob
-
-pipe = pipeline('sentiment-analysis')
-st.title("Sentiment Analysis")
-
-st.subheader("Which framework would you like to use for sentiment analysis?")
-option = st.selectbox('Choose Framework:',('Transformers', 'TextBlob')) # option is stored in this variable
-
-st.subheader("Enter the text you want to analyze")
-text = st.text_input('Enter text:') # text is stored in this variable
-
-if option == 'Transformers':
-    out = pipe(text)
-else:
-    out = TextBlob(text)
-    out = out.sentiment
-    
-st.write("Sentiment of Text: ")
-st.write(out)
+import pandas as pd
+import matplotlib.pyplot as plt
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+from scipy.special import softmax
+import torch
+
+st.set_page_config(page_title="Análise de Sentimento com Transformers", layout="wide")
+
+# Título
+st.title("🔍 Análise de Sentimentos com Transformers")
+st.markdown("Insira textos e escolha um modelo de linguagem para realizar a classificação de sentimentos.")
+
+# Modelos disponíveis
+modelos_disponiveis = {
+    "FinBert (Financeiro - PT-BR)": "turing-usp/FinBertPTBR",
+    "BERT Base PT-BR (NeuralMind)": "neuralmind/bert-base-portuguese-cased",
+    "Multilingual BERT": "nlptown/bert-base-multilingual-uncased-sentiment"
+}
+
+# Sidebar com seleção de modelo
+modelo_escolhido = st.sidebar.selectbox("Escolha o modelo:", list(modelos_disponiveis.keys()))
+model_name = modelos_disponiveis[modelo_escolhido]
+
+@st.cache_resource(show_spinner=False)
+def carregar_modelo(model_name):
+    tokenizer = AutoTokenizer.from_pretrained(model_name)
+    model = AutoModelForSequenceClassification.from_pretrained(model_name)
+    return tokenizer, model
+
+tokenizer, model = carregar_modelo(model_name)
+
+def avaliar_sentimento(texto):
+    inputs = tokenizer(texto, return_tensors="pt", padding=True, truncation=True, max_length=512)
+    with torch.no_grad():
+        outputs = model(**inputs)
+    scores = softmax(outputs.logits[0].numpy())
+    labels = model.config.id2label
+    resultado = {labels[i]: float(scores[i]) for i in range(len(scores))}
+    sentimento_previsto = max(resultado, key=resultado.get)
+    return {"sentimento": sentimento_previsto, "scores": resultado}
+
+# Entrada de textos
+textos = st.text_area("Digite os textos (um por linha):", height=200)
+
+if st.button("🔍 Analisar Sentimentos"):
+    linhas = [linha.strip() for linha in textos.strip().split("\n") if linha.strip()]
+
+    if not linhas:
+        st.warning("Por favor, insira ao menos um texto.")
+    else:
+        resultados = []
+        for t in linhas:
+            res = avaliar_sentimento(t)
+            resultados.append({
+                "Texto": t,
+                "Sentimento": res["sentimento"],
+                **res["scores"]
+            })
+
+        df_resultados = pd.DataFrame(resultados)
+        st.success("Análise concluída!")
+
+        # Mostrar tabela
+        st.subheader("📋 Resultados")
+        st.dataframe(df_resultados, use_container_width=True)
+
+        # Gráfico
+        st.subheader("📊 Distribuição de Sentimentos")
+        fig, ax = plt.subplots()
+        df_resultados["Sentimento"].value_counts().plot(kind='bar', ax=ax, rot=0)
+        ax.set_xlabel("Sentimento")
+        ax.set_ylabel("Frequência")
+        st.pyplot(fig)