import gradio as gr
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from datetime import datetime
import docx
from docx.shared import Inches, Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import os

def generar_tabla(n_filas, concentracion_inicial, unidad_medida):
    valores_base = [1.00, 0.80, 0.60, 0.40, 0.20, 0.10, 0.05]

    if n_filas <= 7:
        solucion_inoculo = valores_base[:n_filas]
        agua = [round(1 - x, 2) for x in solucion_inoculo]
    else:
        solucion_inoculo = valores_base.copy()
        ultimo_valor = valores_base[-1]
        for _ in range(n_filas - 7):
            nuevo_valor = round(ultimo_valor / 2, 3)
            solucion_inoculo.append(nuevo_valor)
            ultimo_valor = nuevo_valor
        agua = [round(1 - x, 3) for x in solucion_inoculo]

    data = {
        f"Solución de inóculo ({concentracion_inicial} {unidad_medida})": solucion_inoculo,
        "H2O": agua
    }
    df = pd.DataFrame(data)

    nombre_columna = f"Solución de inóculo ({concentracion_inicial} {unidad_medida})"
    df["Factor de Dilución"] = df[nombre_columna].apply(lambda x: round(1 / x, 2))
    df[f"Concentración Predicha ({unidad_medida})"] = df["Factor de Dilución"].apply(
        lambda x: round(concentracion_inicial / x, 0)
    )

    df[f"Concentración Real ({unidad_medida})"] = None

    return df

def generar_datos_sinteticos(df, desviacion_std):
    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
    col_real = [col for col in df.columns if 'Real' in col][0]

    # Generar datos sintéticos
    valores_predichos = df[col_predicha].values
    datos_sinteticos = valores_predichos + np.random.normal(0, desviacion_std, size=len(valores_predichos))
    datos_sinteticos = np.maximum(0, datos_sinteticos)  # Asegurar que no haya valores negativos
    datos_sinteticos = np.round(datos_sinteticos, 2)

    df[col_real] = datos_sinteticos

    return df

def generar_graficos(df_valid):
    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
    col_real = [col for col in df_valid.columns if 'Real' in col][0]

    # Calcular regresión lineal
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]

    # Configurar estilos
    sns.set(style="whitegrid")
    plt.rcParams.update({'figure.autolayout': True})

    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

    # Gráfico de dispersión con línea de regresión
    sns.scatterplot(
        data=df_valid,
        x=col_predicha,
        y=col_real,
        ax=ax1,
        color='blue',
        s=100,
        label='Datos Reales',
        marker='o'
    )

    # Línea de ajuste
    sns.lineplot(
        x=df_valid[col_predicha],
        y=df_valid['Ajuste Lineal'],
        ax=ax1,
        color='green',
        label='Ajuste Lineal',
        linewidth=2
    )

    # Línea ideal
    ax1.plot(
        [df_valid[col_predicha].min(), df_valid[col_predicha].max()],
        [df_valid[col_predicha].min(), df_valid[col_predicha].max()],
        color='red',
        linestyle='--',
        label='Ideal'
    )

    ax1.set_title('Correlación entre Concentración Predicha y Real', fontsize=14)
    ax1.set_xlabel('Concentración Predicha', fontsize=12)
    ax1.set_ylabel('Concentración Real', fontsize=12)

    # Añadir ecuación y R² en el gráfico
    ax1.annotate(
        f'y = {intercept:.2f} + {slope:.2f}x\n$R^2$ = {r_value**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    # Posicionar la leyenda
    ax1.legend(loc='lower right', fontsize=10)

    # Gráfico de residuos
    residuos = df_valid[col_real] - df_valid['Ajuste Lineal']
    sns.scatterplot(
        data=df_valid,
        x=col_predicha,
        y=residuos,
        ax=ax2,
        color='purple',
        s=100,
        marker='D',
        label='Residuos'
    )

    ax2.axhline(y=0, color='black', linestyle='--', linewidth=1)
    ax2.set_title('Gráfico de Residuos', fontsize=14)
    ax2.set_xlabel('Concentración Predicha', fontsize=12)
    ax2.set_ylabel('Residuo', fontsize=12)
    ax2.legend(loc='upper right', fontsize=10)

    plt.tight_layout()
    plt.savefig('grafico.png')  # Guardar el gráfico para incluirlo en el informe
    return fig

def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
    """Evaluar la calidad de la calibración y proporcionar recomendaciones"""
    evaluacion = {
        "calidad": "",
        "recomendaciones": [],
        "estado": "✅" if r_squared >= 0.95 and cv_percent <= 15 else "⚠️"
    }

    if r_squared >= 0.95:
        evaluacion["calidad"] = "Excelente"
    elif r_squared >= 0.90:
        evaluacion["calidad"] = "Buena"
    elif r_squared >= 0.85:
        evaluacion["calidad"] = "Regular"
    else:
        evaluacion["calidad"] = "Deficiente"

    if r_squared < 0.95:
        evaluacion["recomendaciones"].append("- Considere repetir algunas mediciones para mejorar la correlación")

    if cv_percent > 15:
        evaluacion["recomendaciones"].append("- La variabilidad es alta. Revise el procedimiento de dilución")

    if rmse > 0.1 * df_valid[df_valid.columns[-1]].mean():
        evaluacion["recomendaciones"].append("- El error de predicción es significativo. Verifique la técnica de medición")

    return evaluacion

def generar_informe_completo(df_valid):
    """Generar un informe completo en formato markdown"""
    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
    col_real = [col for col in df_valid.columns if 'Real' in col][0]

    # Calcular estadísticas
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
    r_squared = r_value ** 2
    rmse = np.sqrt(((df_valid[col_real] - df_valid['Ajuste Lineal']) ** 2).mean())
    cv = (df_valid['Ajuste Lineal'].std() / df_valid['Ajuste Lineal'].mean()) * 100  # CV de los ajustes

    # Evaluar calidad
    evaluacion = evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv)

    informe = f"""# Informe de Calibración {evaluacion['estado']}
Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}

## Resumen Estadístico
- **Ecuación de Regresión**: y = {intercept:.4f} + {slope:.4f}x
- **Coeficiente de correlación (r)**: {r_value:.4f}
- **Coeficiente de determinación ($R^2$)**: {r_squared:.4f}
- **Valor p**: {p_value:.4e}
- **Error estándar de la pendiente**: {std_err:.4f}
- **Error cuadrático medio (RMSE)**: {rmse:.4f}
- **Coeficiente de variación (CV)**: {cv:.2f}%

## Evaluación de Calidad
- **Calidad de la calibración**: {evaluacion['calidad']}

## Recomendaciones
{chr(10).join(evaluacion['recomendaciones']) if evaluacion['recomendaciones'] else "No hay recomendaciones específicas. La calibración cumple con los criterios de calidad."}

## Decisión
{("✅ APROBADO - La calibración cumple con los criterios de calidad establecidos" if evaluacion['estado'] == "✅" else "⚠️ REQUIERE REVISIÓN - La calibración necesita ajustes según las recomendaciones anteriores")}

---
*Nota: Este informe fue generado automáticamente. Por favor, revise los resultados y valide según sus criterios específicos.*
"""
    return informe, evaluacion['estado']

def actualizar_analisis(df):
    if df is None or df.empty:
        return "Error en los datos", None, "No se pueden generar análisis"

    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
    col_real = [col for col in df.columns if 'Real' in col][0]

    # Convertir columnas a numérico
    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
    df[col_real] = pd.to_numeric(df[col_real], errors='coerce')

    df_valid = df.dropna(subset=[col_predicha, col_real])

    if len(df_valid) < 2:
        return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis"

    # Calcular la regresión y agregar 'Ajuste Lineal'
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]

    fig = generar_graficos(df_valid)
    informe, estado = generar_informe_completo(df_valid)

    return estado, fig, informe

def exportar_informe_word(df_valid, informe_md):
    # Crear documento Word
    doc = docx.Document()

    # Estilos APA 7
    style = doc.styles['Normal']
    font = style.font
    font.name = 'Times New Roman'
    font.size = Pt(12)

    # Título centrado
    titulo = doc.add_heading('Informe de Calibración', 0)
    titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    # Fecha
    fecha = doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}")
    fecha.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    # Insertar gráfico
    doc.add_picture('grafico.png', width=Inches(6))
    ultimo_parrafo = doc.paragraphs[-1]
    ultimo_parrafo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    # Leyenda del gráfico en estilo APA 7
    leyenda = doc.add_paragraph('Figura 1. Gráfico de calibración.')
    leyenda_format = leyenda.paragraph_format
    leyenda_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
    leyenda.style = doc.styles['Caption']

    # Agregar contenido del informe
    doc.add_heading('Resumen Estadístico', level=1)
    for linea in informe_md.split('\n'):
        if linea.startswith('##'):
            doc.add_heading(linea.replace('##', '').strip(), level=2)
        else:
            doc.add_paragraph(linea)

    # Añadir tabla de datos
    doc.add_heading('Tabla de Datos de Calibración', level=1)

    # Convertir DataFrame a lista de listas
    tabla_datos = df_valid.reset_index(drop=True)
    tabla_datos = tabla_datos.round(4)  # Redondear a 4 decimales si es necesario
    columnas = tabla_datos.columns.tolist()
    registros = tabla_datos.values.tolist()

    # Crear tabla en Word
    tabla = doc.add_table(rows=1 + len(registros), cols=len(columnas))
    tabla.style = 'Table Grid'

    # Añadir los encabezados
    hdr_cells = tabla.rows[0].cells
    for idx, col_name in enumerate(columnas):
        hdr_cells[idx].text = col_name

    # Añadir los registros
    for i, registro in enumerate(registros):
        row_cells = tabla.rows[i + 1].cells
        for j, valor in enumerate(registro):
            row_cells[j].text = str(valor)

    # Formatear fuente de la tabla
    for row in tabla.rows:
        for cell in row.cells:
            for paragraph in cell.paragraphs:
                paragraph.style = doc.styles['Normal']

    # Guardar documento
    doc.save('informe_calibracion.docx')
    return 'informe_calibracion.docx'

def exportar_informe_latex(df_valid, informe_md):
    # Generar código LaTeX
    informe_tex = r"""\documentclass{article}
\usepackage[spanish]{babel}
\usepackage{amsmath}
\usepackage{graphicx}
\usepackage{booktabs}
\begin{document}
"""
    informe_tex += informe_md.replace('#', '').replace('**', '\\textbf{').replace('*', '\\textit{')
    informe_tex += r"""
\end{document}
"""
    with open('informe_calibracion.tex', 'w') as f:
        f.write(informe_tex)
    return 'informe_calibracion.tex'

# Funciones de ejemplo
def cargar_ejemplo_ufc():
    df = generar_tabla(7, 2000000, "UFC")
    valores_reales = [2000000, 1600000, 1200000, 800000, 400000, 200000, 100000]
    df[f"Concentración Real (UFC)"] = valores_reales
    return 2000000, "UFC", 7, df

def cargar_ejemplo_od():
    df = generar_tabla(7, 1.0, "OD")
    valores_reales = [1.000, 0.800, 0.600, 0.400, 0.200, 0.100, 0.050]
    df[f"Concentración Real (OD)"] = valores_reales
    return 1.0, "OD", 7, df

# Función para actualizar la tabla
def actualizar_tabla_evento(n_filas, concentracion, unidad):
    df = generar_tabla(n_filas, concentracion, unidad)
    return df

# Función para limpiar datos
def limpiar_datos():
    df = generar_tabla(7, 2000000, "UFC")
    return (
        2000000,   # Concentración Inicial
        "UFC",     # Unidad de Medida
        7,         # Número de filas
        df,        # Tabla Output
        "",        # Estado Output
        None,      # Gráficos Output
        ""         # Informe Output
    )

# Función para generar datos sintéticos
def generar_datos_sinteticos_evento(df):
    df = df.copy()
    desviacion_std = 0.05 * df[df.columns[-2]].mean()  # 5% de la media como desviación estándar
    df = generar_datos_sinteticos(df, desviacion_std)
    return df

# Eventos de botones y actualización
def copiar_informe(informe):
    return informe

def exportar_word(df, informe_md):
    df_valid = df.copy()
    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
    col_real = [col for col in df_valid.columns if 'Real' in col][0]

    # Convertir columnas a numérico
    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')

    df_valid = df_valid.dropna(subset=[col_predicha, col_real])

    if df_valid.empty:
        return None

    filename = exportar_informe_word(df_valid, informe_md)
    return gr.File.update(value=filename, visible=True)

def exportar_latex(df, informe_md):
    df_valid = df.copy()
    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
    col_real = [col for col in df_valid.columns if 'Real' in col][0]

    # Convertir columnas a numérico
    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')

    df_valid = df_valid.dropna(subset=[col_predicha, col_real])

    if df_valid.empty:
        return None

    filename = exportar_informe_latex(df_valid, informe_md)
    return gr.File.update(value=filename, visible=True)

# Interfaz Gradio
with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
    gr.Markdown("""
    # 📊 Sistema Avanzado de Calibración con Análisis Estadístico
    Configure los parámetros, edite los valores en la tabla y luego presione "Calcular" para obtener el análisis.
    """)

    with gr.Tab("📝 Datos de Calibración"):
        with gr.Row():
            concentracion_input = gr.Number(
                value=2000000,
                label="Concentración Inicial",
                precision=0
            )
            unidad_input = gr.Textbox(
                value="UFC",
                label="Unidad de Medida",
                placeholder="UFC, OD, etc..."
            )
            filas_slider = gr.Slider(
                minimum=1,
                maximum=20,
                value=7,
                step=1,
                label="Número de filas"
            )

        with gr.Row():
            calcular_btn = gr.Button("🔄 Calcular", variant="primary")
            limpiar_btn = gr.Button("🗑 Limpiar Datos", variant="secondary")

        with gr.Row():
            ejemplo_ufc_btn = gr.Button("📋 Cargar Ejemplo UFC", variant="secondary")
            ejemplo_od_btn = gr.Button("📋 Cargar Ejemplo OD", variant="secondary")
            sinteticos_btn = gr.Button("🧪 Generar Datos Sintéticos", variant="secondary")  # Nuevo botón

        tabla_output = gr.DataFrame(
            row_count=(1, "dynamic"),
            col_count=(5, "fixed"),
            wrap=True,
            label="Tabla de Datos",
            interactive=True,
            datatype=["number", "number", "number", "number", "number"],
            type="pandas",
        )

    with gr.Tab("📊 Análisis y Reporte"):
        estado_output = gr.Textbox(label="Estado", interactive=False)
        graficos_output = gr.Plot(label="Gráficos de Análisis")
        informe_output = gr.Markdown()

        with gr.Row():
            copiar_btn = gr.Button("📋 Copiar Informe", variant="secondary")
            exportar_word_btn = gr.Button("💾 Exportar Informe Word", variant="primary")
            exportar_latex_btn = gr.Button("💾 Exportar Informe LaTeX", variant="primary")

    # Eventos
    input_components = [tabla_output]
    output_components = [estado_output, graficos_output, informe_output]

    # Evento al presionar el botón Calcular
    calcular_btn.click(
        fn=actualizar_analisis,
        inputs=tabla_output,
        outputs=output_components
    )

    # Evento para limpiar datos
    limpiar_btn.click(
        fn=limpiar_datos,
        inputs=[],
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

    # Eventos de los botones de ejemplo
    ejemplo_ufc_btn.click(
        fn=cargar_ejemplo_ufc,
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
    )

    ejemplo_od_btn.click(
        fn=cargar_ejemplo_od,
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
    )

    # Evento para generar datos sintéticos
    sinteticos_btn.click(
        fn=generar_datos_sinteticos_evento,
        inputs=tabla_output,
        outputs=tabla_output
    )

    # Actualizar tabla al cambiar los parámetros
    concentracion_input.change(
        fn=actualizar_tabla_evento,
        inputs=[filas_slider, concentracion_input, unidad_input],
        outputs=tabla_output
    )

    unidad_input.change(
        fn=actualizar_tabla_evento,
        inputs=[filas_slider, concentracion_input, unidad_input],
        outputs=tabla_output
    )

    filas_slider.change(
        fn=actualizar_tabla_evento,
        inputs=[filas_slider, concentracion_input, unidad_input],
        outputs=tabla_output
    )

    # Evento de copiar informe
    copiar_btn.click(
        fn=copiar_informe,
        inputs=[informe_output],
        outputs=[]
    )

    # Eventos de exportar informes
    exportar_word_btn.click(
        fn=exportar_word,
        inputs=[tabla_output, informe_output],
        outputs=exportar_word_btn
    )

    exportar_latex_btn.click(
        fn=exportar_latex,
        inputs=[tabla_output, informe_output],
        outputs=exportar_latex_btn
    )

    # Inicializar la interfaz con el ejemplo base
    def iniciar_con_ejemplo():
        df = generar_tabla(7, 2000000, "UFC")
        valores_reales = [2000000, 1600000, 1200000, 800000, 400000, 200000, 100000]
        df[f"Concentración Real (UFC)"] = valores_reales
        estado, fig, informe = actualizar_analisis(df)
        return (
            2000000,
            "UFC",
            7,
            df,
            estado,
            fig,
            informe
        )

    interfaz.load(
        fn=iniciar_con_ejemplo,
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

# Lanzar la interfaz
interfaz.launch()