Price Tracking Este proyecto es una aplicación web desarrollada con Django que permite el seguimiento y gestión de precios de commodities agrícolas, como trigo, soja, maíz y girasol. Los datos se almacenan y gestionan en una base de datos PostgreSQL. La aplicación está diseñada para mostrar los precios históricos y permitir su consulta a través de una interfaz web sencilla.

Tecnologías utilizadas Django 5.1.2: Framework web utilizado para desarrollar la aplicación.

PostgreSQL: Sistema de gestión de bases de datos utilizado para almacenar los registros de precios de productos agrícolas.

Python 3.x: Lenguaje de programación utilizado en el desarrollo del proyecto.

psycopg2: Adaptador para conectar Django con PostgreSQL.

Instalación

Requisitos= Asegúrate de tener los siguientes programas instalados en tu sistema:

Python 3.x

PostgreSQL (Instalado y funcionando)

pip (gestor de paquetes de Python)

Pasos para configurar el proyecto Clona el repositorio: bash git clone https://github.com/Pablo1653/PriceTracking.git

Accede al directorio del proyecto: bash cd PriceTracking

Crea y activa un entorno virtual:

bash python -m venv venv source venv/bin/activate # En Windows usa: venv\Scripts\activate

Instala las dependencias:

bash pip install -r requirements.txt Configura la base de datos PostgreSQL:

python DATABASES = { 'default': { 'ENGINE': 'django.db.backends.postgresql', 'NAME': 'price_tracking', 'USER': 'tu_usuario', 'PASSWORD': 'tu_contraseña', 'HOST': 'localhost', 'PORT': '5432', } } Realiza las migraciones de la base de datos: bash python manage.py migrate

Crea un superusuario para acceder al panel de administración: bash python manage.py createsuperuser

Corre el servidor de desarrollo: bash python manage.py runserver

Vistas del Proyecto Este proyecto cuenta con diversas vistas para mostrar información relacionada con cultivos y precios agrícolas. Todas las vistas que requieren acceso a información privada están protegidas por autenticación, lo que garantiza que solo los usuarios autenticados puedan acceder a ellas.

Vistas de Autenticación login_or_register: Permite a los usuarios iniciar sesión o registrarse en la aplicación.

Métodos: GET, POST

Plantilla utilizada: registration/login.html

main_view: Vista principal de la aplicación, solo accesible para usuarios autenticados.

Métodos: GET

Plantilla utilizada: prices/main.html

Vistas de Información de Cultivos Estas vistas muestran información sobre diversos cultivos agrícolas en Argentina.

cultivos_en_argentina: Muestra información general sobre los cultivos en Argentina.

Métodos: GET

Plantilla utilizada: prices/cultivosenargentina.html

soja_cultivo: Muestra información sobre el cultivo de soja.

Métodos: GET

Plantilla utilizada: prices/soja.html

maiz_cultivo: Muestra información sobre el cultivo de maíz.

Métodos: GET

Plantilla utilizada: prices/maiz.html

girasol_cultivo: Muestra información sobre el cultivo de girasol.

Métodos: GET

Plantilla utilizada: prices/girasol.html

trigo_cultivo: Muestra información sobre el cultivo de trigo.

Métodos: GET

Plantilla utilizada: prices/trigo.html

Vistas de Precios mostrar_precios: Muestra los precios históricos de diversos productos agrícolas.

Métodos: GET

Plantilla utilizada: prices/precios.html

Vistas de Gráficos mostrar_grafico: Muestra un gráfico para un país y producto específico.

Métodos: GET

Plantilla utilizada: prices/graficas.html

grafico_todos_precios: Muestra un gráfico con los precios históricos de todos los productos (Maíz, Girasol, Trigo) por país. Utiliza la biblioteca matplotlib para generar los gráficos.

Métodos: GET

Plantilla utilizada: prices/graficas.html

Consideraciones Autenticación: Todas las vistas que muestran información sensible o relevante requieren que el usuario esté autenticado a través de un inicio de sesión. Si el usuario no está autenticado, será redirigido a la página de login.

Gráficos: Los gráficos son generados utilizando la biblioteca matplotlib y se convierten a HTML con mpld3 para su visualización en la interfaz web.

Modelos de la Base de Datos El proyecto utiliza varios modelos de Django para gestionar los datos relacionados con los precios de los productos agrícolas y las estadísticas de cultivos. A continuación, se describe la estructura de los modelos utilizados:

1. PricesTrack Este modelo almacena información relacionada con los precios de diferentes productos agrícolas en varios países, junto con la fecha y el valor correspondiente.

python class PricesTrack(models.Model): Id = models.AutoField(primary_key=True) Id_pais = models.SmallIntegerField() Pais = models.TextField() Producto = models.TextField() Fecha = models.DateField() # Fecha en formato de fecha (DateField) Valor = models.BigIntegerField()

def __str__(self):
    return f"ID: {self.Id} | País: {self.Pais} | Producto: {self.Producto} | Fecha: {self.Fecha} | Valor: {self.Valor}"

Id: Identificador único.

Id_pais: Identificador del país (pequeño entero).

Pais: Nombre del país (campo de texto).

Producto: Nombre del producto (campo de texto).

Fecha: Fecha de los precios (campo de fecha).

Valor: Valor del producto (en formato de entero grande, normalmente en miles de dólares).

2. Maiz Este modelo almacena información sobre las estadísticas de cultivo de maíz, incluyendo detalles sobre el área sembrada, el área cosechada, la producción y el rendimiento.

python class Maiz(models.Model): Id_maiz = models.AutoField(primary_key=True) Año = models.IntegerField() Provincia = models.TextField() Departamento = models.TextField() Superficie_sembrada = models.BigIntegerField(help_text="Superficie sembrada en hectáreas") Superficie_cosechada = models.BigIntegerField(help_text="Superficie cosechada en hectáreas") Produccion = models.BigIntegerField(help_text="Producción en toneladas") Rendimiento = models.FloatField(help_text="Rendimiento en Kg/ha")

class Meta:
    db_table = 'maiz'

def __str__(self):
    return f"ID: {self.Id_maiz} | Año: {self.Año} | Provincia: {self.Provincia} | Superficie sembrada: {self.Superficie_sembrada} | Producción: {self.Produccion} | Rendimiento: {self.Rendimiento}"

Año: Año del cultivo (entero).

Provincia: Provincia donde se cultivó (campo de texto).

Departamento: Departamento donde se cultivó (campo de texto).

Superficie_sembrada: Superficie sembrada en hectáreas (entero grande).

Superficie_cosechada: Superficie cosechada en hectáreas (entero grande).

Produccion: Producción total en toneladas (entero grande).

Rendimiento: Rendimiento en Kg/ha (flotante).

3. Girasol Este modelo almacena información sobre las estadísticas de cultivo de girasol, de manera similar al modelo de maíz.

python class Girasol(models.Model): Id_girasol = models.AutoField(primary_key=True) Año = models.IntegerField() Provincia = models.TextField() Departamento = models.TextField() Superficie_sembrada = models.BigIntegerField(help_text="Superficie sembrada en hectáreas") Superficie_cosechada = models.BigIntegerField(help_text="Superficie cosechada en hectáreas") Produccion = models.BigIntegerField(help_text="Producción en toneladas") Rendimiento = models.FloatField(help_text="Rendimiento en Kg/ha")

class Meta:
    db_table = 'girasol'

def __str__(self):
    return f"ID: {self.Id_girasol} | Año: {self.Año} | Provincia: {self.Provincia} | Superficie sembrada: {self.Superficie_sembrada} | Producción: {self.Produccion} | Rendimiento: {self.Rendimiento}"

Año: Año del cultivo.

Provincia: Provincia donde se cultivó.

Departamento: Departamento donde se cultivó.

Superficie_sembrada: Superficie sembrada en hectáreas.

Superficie_cosechada: Superficie cosechada en hectáreas.

Produccion: Producción en toneladas.

Rendimiento: Rendimiento en Kg/ha.

4. Soja Este modelo almacena las estadísticas de cultivo de soja, con los mismos campos que el modelo de maíz.

python class Soja(models.Model): Id_soja = models.AutoField(primary_key=True) Año = models.IntegerField() Provincia = models.TextField() Departamento = models.TextField() Superficie_sembrada = models.BigIntegerField(help_text="Superficie sembrada en hectáreas") Superficie_cosechada = models.BigIntegerField(help_text="Superficie cosechada en hectáreas") Produccion = models.BigIntegerField(help_text="Producción en toneladas") Rendimiento = models.FloatField(help_text="Rendimiento en Kg/ha")

class Meta:
    db_table = 'soja'

def __str__(self):
    return f"ID: {self.Id_soja} | Año: {self.Año} | Provincia: {self.Provincia} | Superficie sembrada: {self.Superficie_sembrada} | Producción: {self.Produccion} | Rendimiento: {self.Rendimiento}"

5. Trigo Este modelo almacena las estadísticas de cultivo de trigo.

python class Trigo(models.Model): Id_trigo = models.AutoField(primary_key=True) Año = models.IntegerField() Superficie_sembrada = models.BigIntegerField(help_text="Superficie sembrada en hectáreas") Superficie_cosechada = models.BigIntegerField(help_text="Superficie cosechada en hectáreas") Produccion = models.BigIntegerField(help_text="Producción en toneladas") Rendimiento = models.FloatField(help_text="Rendimiento en Kg/ha")

class Meta:
    db_table = 'trigo'

def __str__(self):
    return f"ID: {self.Id_trigo} | Año: {self.Año} | Superficie sembrada: {self.Superficie_sembrada} | Superficie cosechada: {self.Superficie_cosechada} | Producción: {self.Produccion} | Rendimiento: {self.Rendimiento}"

Año: Año del cultivo.

Superficie_sembrada: Superficie sembrada en hectáreas.

Superficie_cosechada: Superficie cosechada en hectáreas.

Produccion: Producción en toneladas.

Rendimiento: Rendimiento en Kg/ha.

Notas Cada modelo tiene un campo str para representar sus instancias de manera legible.

Los modelos de cultivos (Maiz, Girasol, Soja, Trigo) tienen campos relacionados con las superficies sembrada y cosechada, la producción y el rendimiento en cada año y región.

Se han utilizado tipos de datos como IntegerField, BigIntegerField, y FloatField para representar de manera eficiente los valores en la base de datos.

Licencia

Desarrollado íntegramente por Ing. agr Sanguinetti Flores, Pablo Maria.