viewx 0.2.3__tar.gz → 0.3.0__tar.gz

viewx-0.3.0/PKG-INFO

@@ -0,0 +1,337 @@
+Metadata-Version: 2.4
+Name: viewx
+Version: 0.3.0
+Summary: Librería de visualización adaptable para HTML, Dashboards y PDFs en Python
+Author-email: Emmanuel Ascendra Perez <ascendraemmanuel@gmail.com>
+License: MIT
+Project-URL: Repositorio, https://github.com/GhostAnalyst30/ViewX
+Classifier: Development Status :: 3 - Alpha
+Classifier: Intended Audience :: Science/Research
+Classifier: Intended Audience :: Developers
+Classifier: Topic :: Scientific/Engineering :: Visualization
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Programming Language :: Python :: 3.13
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: numpy>=1.25.0
+Requires-Dist: pandas>=2.1.0
+Requires-Dist: plotly>=6.0.0
+Provides-Extra: static
+Requires-Dist: matplotlib>=3.8.0; extra == "static"
+Provides-Extra: pdf
+Requires-Dist: pylatex>=1.4.2; extra == "pdf"
+Requires-Dist: matplotlib>=3.8.0; extra == "pdf"
+Provides-Extra: export
+Requires-Dist: kaleido>=0.2.1; extra == "export"
+Provides-Extra: all
+Requires-Dist: matplotlib>=3.8.0; extra == "all"
+Requires-Dist: pylatex>=1.4.2; extra == "all"
+Requires-Dist: kaleido>=0.2.1; extra == "all"
+
+# ViewX — v0.3.0
+
+**ViewX** es una librería de visualización para Python enfocada en **analistas de datos e ingenieros**: gráficas interactivas y estáticas en una línea, dashboards HTML, reportes EDA, presentaciones y PDFs — todo con una API unificada y mínima.
+
+**Documentación completa + playground en línea:** https://viewx.vercel.app/ (sitio Next.js en `web/` de este repo — la `Documentation_Page/` estática queda como archivo histórico).
+
+```python
+import viewx as vx
+df = vx.load_dataset("iris.csv")
+
+vx.plot(df, x="sepal_length", y="petal_length")           # gráfica interactiva en 1 línea
+vx.Dashboard.auto(df).save("dash.html")                   # dashboard automático
+vx.DataMatrix(df).analyze().save("eda.html")              # reporte EDA interactivo
+vx.Presentation.auto(df).save("slides.html")              # slides automáticas
+vx.Report.auto(df).save("reporte.pdf")                    # PDF (requiere pdflatex)
+```
+
+---
+
+## Características principales
+
+- **`vx.plot()`**: una llamada para 14 tipos de gráfica, interactiva (Plotly) o estática (matplotlib).
+- **API unificada**: todos los motores exportan con `.save(path)` y `.show()`.
+- **Temas compartidos**: un mismo nombre de tema (`dark_enterprise`, `glass_ocean`, …) funciona en dashboards, slides, EDA y gráficas. `vx.set_theme()` lo fija globalmente.
+- **Modo automático**: `Dashboard.auto()`, `Presentation.auto()`, `Report.auto()` analizan el DataFrame y eligen KPIs y gráficas por ti.
+- **Pensado para datasets grandes**: downsampling automático (>10k puntos), WebGL para scatter grandes, muestreo estratificado en el explorador EDA.
+- **Ligero**: núcleo con solo numpy + pandas + plotly. matplotlib y pylatex son extras opcionales.
+
+---
+
+## Instalación
+
+```bash
+pip install viewx              # núcleo interactivo
+pip install viewx[static]      # + gráficas estáticas (matplotlib)
+pip install viewx[pdf]         # + reportes PDF (pylatex; requiere pdflatex)
+pip install viewx[all]         # todo
+```
+
+---
+
+## Gráficas rápidas: `vx.plot()`
+
+```python
+import viewx as vx
+
+# Interactiva (Plotly). En notebook se muestra sola.
+vx.plot(df, kind="bar", x="region", y="revenue", title="Ventas por región")
+
+# El tipo se infiere de los dtypes si no pasas `kind`
+vx.plot(df, x="date", y="revenue")            # datetime -> line
+vx.plot(df, x="precio", y="margen")           # num-num -> scatter
+
+# Estática (matplotlib) para papers / PDFs
+vx.plot(df, kind="histogram", x="edad", static=True).save("hist.png")
+
+# Objeto Chart: .save(), .show(), .fig (figura Plotly/matplotlib subyacente)
+chart = vx.plot(df, kind="donut", x="pais", y="ventas")
+chart.save("donut.html")
+```
+
+Tipos disponibles: `line`, `bar`, `bar_h`, `scatter`, `area`, `pie`, `donut`, `histogram`, `box`, `violin`, `heatmap`, `funnel`, `treemap`, `bubble`.
+
+Series con más de 10.000 puntos se reducen automáticamente (desactivable con `downsample=False`); los scatter grandes usan WebGL.
+
+---
+
+## Temas
+
+Seis temas canónicos válidos en **todos** los motores:
+`corporate_blue` · `dark_enterprise` · `modern_green` · `void_indigo` · `glass_ocean` · `cyberpunk_neon`
+
+```python
+vx.set_theme("dark_enterprise")     # tema global por defecto
+vx.Dashboard.auto(df).save("a.html")            # usa el tema global
+vx.Presentation.auto(df, theme="glass_ocean")   # o por artefacto
+```
+
+---
+
+## Dashboards HTML
+
+```python
+import viewx as vx
+
+# Automático: analiza el DataFrame y arma KPIs + gráficas
+vx.Dashboard.auto(df, theme="modern_green", title="Ventas").save("dash.html")
+
+# Manual: grid de 12 columnas
+dash = vx.Dashboard(
+    title="Manual Dashboard", theme="modern_green",
+    cols=12, rows=9,
+    navbar={"title": "Manual Dashboard", "items": [{"label": "Home", "link": "#"}]},
+    authors=[{"name": "Data Team", "email": "data@acme.com"}],
+    data_button=True, df=df,
+)
+dash.add_valuebox("Total Revenue", "$2.4M", icon_key="dollar", row=1, col=1, height=2, width=3)
+dash.add_infobox(df=df, variable="revenue", info=["mean", "median", "std"], row=3, col=1, height=4, width=3)
+dash.add_chart(vx.plot(df, kind="bar_h", x="region", y="revenue"),      # acepta Charts de vx.plot
+               title="Revenue by Region", row=3, col=4, height=4, width=9)
+dash.add_chart(data=df, chart_type="line", x="date", y="revenue",       # o data + chart_type
+               title="Daily Trend", row=7, col=1, height=3, width=12)
+dash.save("demo_manual.html")     # dash.show() para abrir en el navegador
+```
+
+![DashBoardViewX](https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/DashBoard_Example.png)
+
+---
+
+## Presentaciones
+
+```python
+from viewx import Presentation, Slide
+from viewx.Slides import Title, Subtitle, BulletList, BarPlot, PlotlyChart
+
+# Automática
+Presentation.auto(df, title="Dataset Overview", theme="void_indigo").save("auto_slides.html")
+
+# Manual
+pres = Presentation("Demo ViewX Slides", theme="dark_enterprise")
+pres.font("Inter").meta(author="ViewX", date="2026")
+
+with Slide(title="Bienvenida", notes="Portada"):
+    Title("Slides Engine").center("x").pos(top=10).zoom_in(duration=1.2)
+    Subtitle("Presentaciones HTML desde Python").center("x").pos(top=26)
+    BulletList(["Animaciones CSS", "Gráficos Plotly", "Componentes reutilizables"]).pos(left=8, top=42)
+
+with Slide(title="Gráficos"):
+    Title("Plotly integrado").pos(left=6, top=7)
+    BarPlot(["A", "B", "C"], [24, 38, 31], title="BarPlot").pos(left=7, top=30).size(width="40%", height="50%")
+    PlotlyChart.from_figure(vx.plot(df, kind="donut", x="region", y="revenue"))  # embebe un Chart
+
+pres.save("viewx_slides_demo.html")
+```
+
+---
+
+## Reportes PDF
+
+Requiere `pip install viewx[pdf]` y `pdflatex` en el sistema. Sin strings LaTeX: fracciones para anchos, colores CSS en cajas.
+
+```python
+from viewx import Report
+
+# Automático: reporte de calidad del dataset
+Report.auto(df, title="Quality Report").save("reporte.pdf")
+
+# Manual
+r = Report(title="Reporte Técnico", author="Emmanuel Ascendra")
+r.text("Este reporte demuestra el motor ViewX.", bold=True)
+
+with r.section("Introducción"):
+    r.text("ViewX genera documentos profesionales desde Python.")
+    with r.subsection("Características"):
+        r.bullets(["Texto estructurado", "Tablas", "Gráficos", "Cajas de información"])
+
+with r.section("Resultados"):
+    r.add_table(
+        headers=["Modelo", "Accuracy", "F1"],
+        rows=[["Regresión", 0.82, 0.79], ["Red neuronal", 0.94, 0.92]],
+        caption="Comparación de modelos",
+    )
+    r.add_image("assets/ejemplo.png", caption="Imagen", width=0.6)   # fracción del ancho
+    r.add_line_plot(x=[0, 1, 2, 3], y=[0, 1, 4, 9], caption="Crecimiento cuadrático")
+    r.add_box("Observación", "Todo se genera desde Python.", color="#DBEAFE")  # color CSS
+
+r.save("reporte_demo.pdf")
+```
+
+![Report PDF](https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/Report_pdf_1.png)
+
+---
+
+## Análisis EDA con DataMatrix
+
+```python
+from viewx import DataMatrix
+
+dm = DataMatrix(df)
+dm.clean_data(drop_duplicates=True, fill_na=True)
+dm.analyze()
+
+print(dm.summary())        # métricas clave
+print(dm.alerts())         # advertencias de calidad
+print(dm.highlights())     # fortalezas del dataset
+
+dm.save("eda.html", theme="dark_enterprise")   # reporte completo con explorador interactivo
+# En una línea: DataMatrix(df).analyze().save("eda.html")
+```
+
+El reporte incluye Overview, perfil por variable, correlaciones, explorador interactivo con filtros (muestreo estratificado para datasets grandes) y muestra paginada.
+
+---
+
+## Integración StatsLibX y SynaptIX
+
+ViewX es el **motor de visualización y reportes** del ecosistema GhostAnalyst, junto con [StatsLibX](https://github.com/GhostAnalyst30/StatsLibX) (estadística) y [SynaptIX](https://github.com/GhostAnalyst30/SynaptIX) (machine learning). Las tres comparten el mismo contrato de payload y cargadores de datasets, y **cada una funciona por separado**:
+
+```mermaid
+flowchart TD
+    U["Datos crudos<br/>(CSV, DataFrame, arrays)"]
+    SLX["StatsLibX<br/>estadistica + manejo de datos + simulacion"]
+    SYN["SynaptIX<br/>modelos + evaluacion y mejora"]
+    VX["ViewX<br/>dashboards, EDA, PDF, slides"]
+    U --> SLX
+    U --> SYN
+    U --> VX
+    SLX -->|"DataFrame / polars"| SYN
+    SLX -->|"to_report_data() payload"| VX
+    SYN -->|"to_report_data() payload"| VX
+    SYN -->|"diagnostics() usa InferentialStats"| SLX
+    VX -->|"HTML / PDF / slides"| U
+```
+
+ViewX recibe payloads de StatsLibX **y de SynaptIX** vía `from_report_payload()`. El contrato es el mismo: un dict con `title`, `sections`, `tables` y opcionales `valueboxes`/`figures`.
+
+```python
+from statslibx import DescriptiveStats, to_report_data, load_iris
+from viewx import from_report_payload
+
+df = load_iris()
+summary = DescriptiveStats(df).summary()
+
+# Opción 1 — método directo en el resultado
+summary.to_html("iris.html", theme="dark_enterprise", data=df)
+
+# Opción 2 — pipeline manual
+payload = to_report_data(summary, include_figures=True, data=df)
+from_report_payload(payload, target="html", filename="iris.html")
+```
+
+Con SynaptIX (machine learning) funciona igual:
+
+```python
+import synaptix as sx
+
+df = sx.load_dataset("iris")
+X, y = df.drop(columns="species"), df["species"]
+model = sx.supervised.RandomForestClassifier().fit(X, y)
+
+# Método directo en el resultado (requiere pip install synaptix[viewx])
+model.evaluate(X, y).to_html("evaluacion.html", theme="dark_enterprise")
+
+# O pipeline manual con el mismo contrato
+payload = model.evaluate(X, y).to_report_data(include_figures=True)
+from_report_payload(payload, target="presentation", filename="evaluacion.html")
+```
+
+### Flujo completo del ecosistema (StatsLibX → SynaptIX → ViewX)
+
+```python
+# pip install statslibx[viewx] synaptix[viewx,stats] viewx
+from statslibx import DescriptiveStats, load_iris
+import synaptix as sx
+from viewx import from_report_payload
+
+df = load_iris()
+
+# 1. Estadística y calidad de datos (StatsLibX)
+DescriptiveStats(df).summary()
+
+# 2. Modelo y evaluación (SynaptIX)
+X, y = df.drop(columns="species"), df["species"]
+modelo = sx.supervised.RandomForestClassifier().fit(X, y)
+evaluacion = modelo.evaluate(X, y)
+
+# 3. Todo en un dashboard (ViewX)
+payload = evaluacion.to_report_data(include_figures=True)
+from_report_payload(payload, target="html", filename="analisis.html")
+```
+
+> Portal con documentación y playground unificado de las tres librerías: **Libraries_of_Emms** (en este workspace).
+
+---
+
+## Migración desde v0.2.x
+
+| Antes (v0.2.x) | Ahora (v0.3.0) |
+|---|---|
+| `HTML(...)` | `Dashboard(...)` (`HTML` sigue siendo alias) |
+| `dash.generate("f.html", show=True)` | `dash.save("f.html")` / `dash.show()` |
+| `HTML.auto_generate(df, template=...)` | `Dashboard.auto(df, theme=...).save(path)` |
+| `pres.export("f.html")` | `pres.save("f.html")` |
+| `Presentation.auto_generate(df, ...)` | `Presentation.auto(df).save(path)` |
+| `report.build("nombre")` | `report.save("nombre.pdf")` |
+| `Report(twoColumn=True)` | `Report(two_column=True)` |
+| `report.add_plot(x, y)` | `report.add_line_plot(x, y)` |
+| `with r.doc.create(r.add_section(...))` | `with r.section(...)` |
+| `dm.generate_report(path, show=...)` | `dm.save(path)` / `dm.show()` |
+| Temas de slides `dark`/`ocean`/… | Alias que resuelven a los 6 temas canónicos |
+
+Los métodos antiguos siguen funcionando con `DeprecationWarning`.
+
+## Contribuciones
+
+¡Todas las ideas, mejoras y plantillas son bienvenidas!
+ViewX está diseñado para crecer y evolucionar con la comunidad.
+
+## Contacto
+
+ascendraemmanuel@gmail.com

viewx-0.3.0/README.md

@@ -0,0 +1,301 @@
+# ViewX — v0.3.0
+
+**ViewX** es una librería de visualización para Python enfocada en **analistas de datos e ingenieros**: gráficas interactivas y estáticas en una línea, dashboards HTML, reportes EDA, presentaciones y PDFs — todo con una API unificada y mínima.
+
+**Documentación completa + playground en línea:** https://viewx.vercel.app/ (sitio Next.js en `web/` de este repo — la `Documentation_Page/` estática queda como archivo histórico).
+
+```python
+import viewx as vx
+df = vx.load_dataset("iris.csv")
+
+vx.plot(df, x="sepal_length", y="petal_length")           # gráfica interactiva en 1 línea
+vx.Dashboard.auto(df).save("dash.html")                   # dashboard automático
+vx.DataMatrix(df).analyze().save("eda.html")              # reporte EDA interactivo
+vx.Presentation.auto(df).save("slides.html")              # slides automáticas
+vx.Report.auto(df).save("reporte.pdf")                    # PDF (requiere pdflatex)
+```
+
+---
+
+## Características principales
+
+- **`vx.plot()`**: una llamada para 14 tipos de gráfica, interactiva (Plotly) o estática (matplotlib).
+- **API unificada**: todos los motores exportan con `.save(path)` y `.show()`.
+- **Temas compartidos**: un mismo nombre de tema (`dark_enterprise`, `glass_ocean`, …) funciona en dashboards, slides, EDA y gráficas. `vx.set_theme()` lo fija globalmente.
+- **Modo automático**: `Dashboard.auto()`, `Presentation.auto()`, `Report.auto()` analizan el DataFrame y eligen KPIs y gráficas por ti.
+- **Pensado para datasets grandes**: downsampling automático (>10k puntos), WebGL para scatter grandes, muestreo estratificado en el explorador EDA.
+- **Ligero**: núcleo con solo numpy + pandas + plotly. matplotlib y pylatex son extras opcionales.
+
+---
+
+## Instalación
+
+```bash
+pip install viewx              # núcleo interactivo
+pip install viewx[static]      # + gráficas estáticas (matplotlib)
+pip install viewx[pdf]         # + reportes PDF (pylatex; requiere pdflatex)
+pip install viewx[all]         # todo
+```
+
+---
+
+## Gráficas rápidas: `vx.plot()`
+
+```python
+import viewx as vx
+
+# Interactiva (Plotly). En notebook se muestra sola.
+vx.plot(df, kind="bar", x="region", y="revenue", title="Ventas por región")
+
+# El tipo se infiere de los dtypes si no pasas `kind`
+vx.plot(df, x="date", y="revenue")            # datetime -> line
+vx.plot(df, x="precio", y="margen")           # num-num -> scatter
+
+# Estática (matplotlib) para papers / PDFs
+vx.plot(df, kind="histogram", x="edad", static=True).save("hist.png")
+
+# Objeto Chart: .save(), .show(), .fig (figura Plotly/matplotlib subyacente)
+chart = vx.plot(df, kind="donut", x="pais", y="ventas")
+chart.save("donut.html")
+```
+
+Tipos disponibles: `line`, `bar`, `bar_h`, `scatter`, `area`, `pie`, `donut`, `histogram`, `box`, `violin`, `heatmap`, `funnel`, `treemap`, `bubble`.
+
+Series con más de 10.000 puntos se reducen automáticamente (desactivable con `downsample=False`); los scatter grandes usan WebGL.
+
+---
+
+## Temas
+
+Seis temas canónicos válidos en **todos** los motores:
+`corporate_blue` · `dark_enterprise` · `modern_green` · `void_indigo` · `glass_ocean` · `cyberpunk_neon`
+
+```python
+vx.set_theme("dark_enterprise")     # tema global por defecto
+vx.Dashboard.auto(df).save("a.html")            # usa el tema global
+vx.Presentation.auto(df, theme="glass_ocean")   # o por artefacto
+```
+
+---
+
+## Dashboards HTML
+
+```python
+import viewx as vx
+
+# Automático: analiza el DataFrame y arma KPIs + gráficas
+vx.Dashboard.auto(df, theme="modern_green", title="Ventas").save("dash.html")
+
+# Manual: grid de 12 columnas
+dash = vx.Dashboard(
+    title="Manual Dashboard", theme="modern_green",
+    cols=12, rows=9,
+    navbar={"title": "Manual Dashboard", "items": [{"label": "Home", "link": "#"}]},
+    authors=[{"name": "Data Team", "email": "data@acme.com"}],
+    data_button=True, df=df,
+)
+dash.add_valuebox("Total Revenue", "$2.4M", icon_key="dollar", row=1, col=1, height=2, width=3)
+dash.add_infobox(df=df, variable="revenue", info=["mean", "median", "std"], row=3, col=1, height=4, width=3)
+dash.add_chart(vx.plot(df, kind="bar_h", x="region", y="revenue"),      # acepta Charts de vx.plot
+               title="Revenue by Region", row=3, col=4, height=4, width=9)
+dash.add_chart(data=df, chart_type="line", x="date", y="revenue",       # o data + chart_type
+               title="Daily Trend", row=7, col=1, height=3, width=12)
+dash.save("demo_manual.html")     # dash.show() para abrir en el navegador
+```
+
+![DashBoardViewX](https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/DashBoard_Example.png)
+
+---
+
+## Presentaciones
+
+```python
+from viewx import Presentation, Slide
+from viewx.Slides import Title, Subtitle, BulletList, BarPlot, PlotlyChart
+
+# Automática
+Presentation.auto(df, title="Dataset Overview", theme="void_indigo").save("auto_slides.html")
+
+# Manual
+pres = Presentation("Demo ViewX Slides", theme="dark_enterprise")
+pres.font("Inter").meta(author="ViewX", date="2026")
+
+with Slide(title="Bienvenida", notes="Portada"):
+    Title("Slides Engine").center("x").pos(top=10).zoom_in(duration=1.2)
+    Subtitle("Presentaciones HTML desde Python").center("x").pos(top=26)
+    BulletList(["Animaciones CSS", "Gráficos Plotly", "Componentes reutilizables"]).pos(left=8, top=42)
+
+with Slide(title="Gráficos"):
+    Title("Plotly integrado").pos(left=6, top=7)
+    BarPlot(["A", "B", "C"], [24, 38, 31], title="BarPlot").pos(left=7, top=30).size(width="40%", height="50%")
+    PlotlyChart.from_figure(vx.plot(df, kind="donut", x="region", y="revenue"))  # embebe un Chart
+
+pres.save("viewx_slides_demo.html")
+```
+
+---
+
+## Reportes PDF
+
+Requiere `pip install viewx[pdf]` y `pdflatex` en el sistema. Sin strings LaTeX: fracciones para anchos, colores CSS en cajas.
+
+```python
+from viewx import Report
+
+# Automático: reporte de calidad del dataset
+Report.auto(df, title="Quality Report").save("reporte.pdf")
+
+# Manual
+r = Report(title="Reporte Técnico", author="Emmanuel Ascendra")
+r.text("Este reporte demuestra el motor ViewX.", bold=True)
+
+with r.section("Introducción"):
+    r.text("ViewX genera documentos profesionales desde Python.")
+    with r.subsection("Características"):
+        r.bullets(["Texto estructurado", "Tablas", "Gráficos", "Cajas de información"])
+
+with r.section("Resultados"):
+    r.add_table(
+        headers=["Modelo", "Accuracy", "F1"],
+        rows=[["Regresión", 0.82, 0.79], ["Red neuronal", 0.94, 0.92]],
+        caption="Comparación de modelos",
+    )
+    r.add_image("assets/ejemplo.png", caption="Imagen", width=0.6)   # fracción del ancho
+    r.add_line_plot(x=[0, 1, 2, 3], y=[0, 1, 4, 9], caption="Crecimiento cuadrático")
+    r.add_box("Observación", "Todo se genera desde Python.", color="#DBEAFE")  # color CSS
+
+r.save("reporte_demo.pdf")
+```
+
+![Report PDF](https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/Report_pdf_1.png)
+
+---
+
+## Análisis EDA con DataMatrix
+
+```python
+from viewx import DataMatrix
+
+dm = DataMatrix(df)
+dm.clean_data(drop_duplicates=True, fill_na=True)
+dm.analyze()
+
+print(dm.summary())        # métricas clave
+print(dm.alerts())         # advertencias de calidad
+print(dm.highlights())     # fortalezas del dataset
+
+dm.save("eda.html", theme="dark_enterprise")   # reporte completo con explorador interactivo
+# En una línea: DataMatrix(df).analyze().save("eda.html")
+```
+
+El reporte incluye Overview, perfil por variable, correlaciones, explorador interactivo con filtros (muestreo estratificado para datasets grandes) y muestra paginada.
+
+---
+
+## Integración StatsLibX y SynaptIX
+
+ViewX es el **motor de visualización y reportes** del ecosistema GhostAnalyst, junto con [StatsLibX](https://github.com/GhostAnalyst30/StatsLibX) (estadística) y [SynaptIX](https://github.com/GhostAnalyst30/SynaptIX) (machine learning). Las tres comparten el mismo contrato de payload y cargadores de datasets, y **cada una funciona por separado**:
+
+```mermaid
+flowchart TD
+    U["Datos crudos<br/>(CSV, DataFrame, arrays)"]
+    SLX["StatsLibX<br/>estadistica + manejo de datos + simulacion"]
+    SYN["SynaptIX<br/>modelos + evaluacion y mejora"]
+    VX["ViewX<br/>dashboards, EDA, PDF, slides"]
+    U --> SLX
+    U --> SYN
+    U --> VX
+    SLX -->|"DataFrame / polars"| SYN
+    SLX -->|"to_report_data() payload"| VX
+    SYN -->|"to_report_data() payload"| VX
+    SYN -->|"diagnostics() usa InferentialStats"| SLX
+    VX -->|"HTML / PDF / slides"| U
+```
+
+ViewX recibe payloads de StatsLibX **y de SynaptIX** vía `from_report_payload()`. El contrato es el mismo: un dict con `title`, `sections`, `tables` y opcionales `valueboxes`/`figures`.
+
+```python
+from statslibx import DescriptiveStats, to_report_data, load_iris
+from viewx import from_report_payload
+
+df = load_iris()
+summary = DescriptiveStats(df).summary()
+
+# Opción 1 — método directo en el resultado
+summary.to_html("iris.html", theme="dark_enterprise", data=df)
+
+# Opción 2 — pipeline manual
+payload = to_report_data(summary, include_figures=True, data=df)
+from_report_payload(payload, target="html", filename="iris.html")
+```
+
+Con SynaptIX (machine learning) funciona igual:
+
+```python
+import synaptix as sx
+
+df = sx.load_dataset("iris")
+X, y = df.drop(columns="species"), df["species"]
+model = sx.supervised.RandomForestClassifier().fit(X, y)
+
+# Método directo en el resultado (requiere pip install synaptix[viewx])
+model.evaluate(X, y).to_html("evaluacion.html", theme="dark_enterprise")
+
+# O pipeline manual con el mismo contrato
+payload = model.evaluate(X, y).to_report_data(include_figures=True)
+from_report_payload(payload, target="presentation", filename="evaluacion.html")
+```
+
+### Flujo completo del ecosistema (StatsLibX → SynaptIX → ViewX)
+
+```python
+# pip install statslibx[viewx] synaptix[viewx,stats] viewx
+from statslibx import DescriptiveStats, load_iris
+import synaptix as sx
+from viewx import from_report_payload
+
+df = load_iris()
+
+# 1. Estadística y calidad de datos (StatsLibX)
+DescriptiveStats(df).summary()
+
+# 2. Modelo y evaluación (SynaptIX)
+X, y = df.drop(columns="species"), df["species"]
+modelo = sx.supervised.RandomForestClassifier().fit(X, y)
+evaluacion = modelo.evaluate(X, y)
+
+# 3. Todo en un dashboard (ViewX)
+payload = evaluacion.to_report_data(include_figures=True)
+from_report_payload(payload, target="html", filename="analisis.html")
+```
+
+> Portal con documentación y playground unificado de las tres librerías: **Libraries_of_Emms** (en este workspace).
+
+---
+
+## Migración desde v0.2.x
+
+| Antes (v0.2.x) | Ahora (v0.3.0) |
+|---|---|
+| `HTML(...)` | `Dashboard(...)` (`HTML` sigue siendo alias) |
+| `dash.generate("f.html", show=True)` | `dash.save("f.html")` / `dash.show()` |
+| `HTML.auto_generate(df, template=...)` | `Dashboard.auto(df, theme=...).save(path)` |
+| `pres.export("f.html")` | `pres.save("f.html")` |
+| `Presentation.auto_generate(df, ...)` | `Presentation.auto(df).save(path)` |
+| `report.build("nombre")` | `report.save("nombre.pdf")` |
+| `Report(twoColumn=True)` | `Report(two_column=True)` |
+| `report.add_plot(x, y)` | `report.add_line_plot(x, y)` |
+| `with r.doc.create(r.add_section(...))` | `with r.section(...)` |
+| `dm.generate_report(path, show=...)` | `dm.save(path)` / `dm.show()` |
+| Temas de slides `dark`/`ocean`/… | Alias que resuelven a los 6 temas canónicos |
+
+Los métodos antiguos siguen funcionando con `DeprecationWarning`.
+
+## Contribuciones
+
+¡Todas las ideas, mejoras y plantillas son bienvenidas!
+ViewX está diseñado para crecer y evolucionar con la comunidad.
+
+## Contacto
+
+ascendraemmanuel@gmail.com