Hugging Face - Sua Biblioteca de Modelos de IA

import pandas as pd
from transformers import pipeline
from datetime import datetime

class SocialMediaAnalyzer:
    def __init__(self):
        # Carregar os modelos necessários
        print("🔄 Carregando modelos...")
        self.sentiment_analyzer = pipeline("sentiment-analysis")
        self.language_detector = pipeline("text-classification", 
                                         model="papluca/xlm-roberta-base-language-detection")
        self.summarizer = pipeline("summarization")
        print("✅ Modelos carregados!")
    
    def analyze_post(self, text):
        """Analisa um único post"""
        result = {}
        
        # 1. Detectar idioma
        language = self.language_detector(text)
        result['language'] = language[0]['label']
        result['language_confidence'] = language[0]['score']
        
        # 2. Analisar sentimento
        sentiment = self.sentiment_analyzer(text)
        result['sentiment'] = sentiment[0]['label']
        result['sentiment_score'] = sentiment[0]['score']
        
        # 3. Informações básicas
        result['text'] = text
        result['word_count'] = len(text.split())
        result['analyzed_at'] = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        
        return result
    
    def analyze_multiple_posts(self, posts_list):
        """Analisa múltiplos posts"""
        results = []
        
        for i, post in enumerate(posts_list, 1):
            print(f"📊 Analisando post {i}/{len(posts_list)}")
            analysis = self.analyze_post(post)
            results.append(analysis)
        
        # Converter para DataFrame para fácil análise
        df = pd.DataFrame(results)
        return df
    
    def generate_report(self, df):
        """Gera relatório resumido"""
        print("\n" + "="*50)
        print("📊 RELATÓRIO DE ANÁLISE DE REDES SOCIAIS")
        print("="*50)
        
        # Estatísticas gerais
        total_posts = len(df)
        print(f"📝 Total de posts analisados: {total_posts}")
        
        # Distribuição de sentimentos
        sentiment_dist = df['sentiment'].value_counts(normalize=True) * 100
        print(f"\n💭 Distribuição de Sentimentos:")
        for sentiment, percentage in sentiment_dist.items():
            emoji = "😊" if sentiment == "POSITIVE" else "😢"
            print(f"   {emoji} {sentiment}: {percentage:.1f}%")
        
        # Idiomas detectados
        language_dist = df['language'].value_counts()
        print(f"\n🌍 Idiomas Detectados:")
        for language, count in language_dist.items():
            print(f"   🗣️ {language}: {count} posts")
        
        # Posts mais positivos e negativos
        most_positive = df.loc[df['sentiment_score'].idxmax()]
        most_negative = df.loc[df['sentiment_score'].idxmin()]
        
        print(f"\n🏆 Post Mais Positivo:")
        print(f"   '{most_positive['text'][:80]}...'")
        print(f"   Score: {most_positive['sentiment_score']:.3f}")
        
        print(f"\n💔 Post Mais Negativo:")
        print(f"   '{most_negative['text'][:80]}...'")
        print(f"   Score: {most_negative['sentiment_score']:.3f}")

# Exemplo de uso
if __name__ == "__main__":
    # Dados de exemplo (você pode conectar com APIs reais)
    sample_posts = [
        "Adorando aprender sobre IA! Cada aula é uma nova descoberta incrível! 🚀",
        "Que frustração... o código não funciona de jeito nenhum 😤",
        "O futuro da tecnologia brasileira é promissor. Vamos investir em educação!",
        "I love learning about artificial intelligence and machine learning!",
        "Este curso está superando todas as minhas expectativas! Recomendo muito!",
        "Día perfecto para aprender nuevas tecnologías 🌟",
        "Não consegui entender nada dessa aula... muito confuso",
        "IA vai revolucionar o mercado de trabalho nos próximos anos",
        "Amazing how AI can understand different languages so well!",
        "Parabéns pelo conteúdo de qualidade! Melhor investimento que fiz este ano!"
    ]
    
    # Criar o analisador
    analyzer = SocialMediaAnalyzer()
    
    # Analisar os posts
    results_df = analyzer.analyze_multiple_posts(sample_posts)
    
    # Gerar relatório
    analyzer.generate_report(results_df)
    
    # Salvar resultados
    results_df.to_csv('analise_redes_sociais.csv', index=False)
    print(f"\n💾 Resultados salvos em 'analise_redes_sociais.csv'")