src/multimodal/clip_utils.py

"""
Mejora F — Texto CLIP más informativo.

El pipeline original usa los labels c-TF-IDF (4 keywords como
"lince_cría_ejemplares_hábitat") como texto para CLIP. Esto produce
una señal de solo 1.10× sobre baseline aleatorio.

Este módulo proporciona funciones para seleccionar el headline más
representativo de cada micro-evento como texto CLIP, obteniendo
oraciones completas y naturales mejor alineadas con el espacio visual.

Uso típico en Colab:
    from src.multimodal.clip_utils import build_clip_text_inputs, compute_clip_coherence
    text_inputs = build_clip_text_inputs(df_final, clip_model, clip_preprocess)
    df_clip = compute_clip_coherence(df_final, text_inputs, image_embeddings)
"""

from __future__ import annotations

import logging
from typing import Literal, Optional

import numpy as np
import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

logger = logging.getLogger(__name__)

TextStrategy = Literal['best_headline', 'concat_headlines', 'label_jit']


# ─────────────────────────────────────────────────────────────────────────────
# Selección del texto representativo por micro-evento
# ─────────────────────────────────────────────────────────────────────────────
def _centroid_representative_headline(
    grupo: pd.DataFrame,
    embeddings_matrix: np.ndarray,
) -> str:
    """
    Devuelve el headline del artículo más cercano al centroide semántico
    del micro-evento (mejor representante del grupo).
    """
    idx = grupo.index.tolist()
    if not idx:
        return ''
    embs = embeddings_matrix[idx]
    centroide = embs.mean(axis=0, keepdims=True)
    sims = cosine_similarity(centroide, embs)[0]
    best_local = int(np.argmax(sims))
    best_global = idx[best_local]
    headline = grupo.loc[best_global, 'headline']
    return str(headline) if not pd.isna(headline) else ''


def build_event_texts(
    df_final: pd.DataFrame,
    embeddings_matrix: Optional[np.ndarray] = None,
    strategy: TextStrategy = 'best_headline',
    max_headlines: int = 3,
    event_id_col: str = 'micro_event_id',
    headline_col: str = 'headline',
) -> dict[str, str]:
    """
    Construye un diccionario {micro_event_id → texto} para usar como input de CLIP.

    Estrategias disponibles
    -----------------------
    'best_headline'    : El headline del artículo más cercano al centroide del evento.
                         Requiere embeddings_matrix.
    'concat_headlines' : Concatenación de los max_headlines titulares más largos.
                         No requiere embeddings.
    'label_jit'        : Usa el label c-TF-IDF actual (baseline, para comparación).

    Parámetros
    ----------
    df_final          : DataFrame con columnas micro_event_id y headline.
    embeddings_matrix : Array (N_total, D) de embeddings (solo para 'best_headline').
    strategy          : Estrategia de selección de texto.
    max_headlines     : Número máximo de headlines a concatenar ('concat_headlines').
    event_id_col      : Nombre de la columna de ID de micro-evento.
    headline_col      : Nombre de la columna de titular.

    Retorna
    -------
    dict {event_id: texto}
    """
    texts: dict[str, str] = {}

    for event_id, grupo in df_final.groupby(event_id_col):
        if strategy == 'best_headline':
            if embeddings_matrix is None:
                raise ValueError("'best_headline' requiere embeddings_matrix")
            texto = _centroid_representative_headline(grupo, embeddings_matrix)

        elif strategy == 'concat_headlines':
            headlines = (
                grupo[headline_col]
                .dropna()
                .sort_values(key=lambda s: s.str.len(), ascending=False)
                .head(max_headlines)
                .tolist()
            )
            texto = '. '.join(h.strip().rstrip('.') for h in headlines if h.strip())

        elif strategy == 'label_jit':
            label = grupo['label_jit'].dropna().iloc[0] if 'label_jit' in grupo.columns else ''
            texto = str(label).replace('_', ' ')

        else:
            raise ValueError(f"Estrategia desconocida: {strategy!r}")

        texts[str(event_id)] = texto

    empty = sum(1 for t in texts.values() if not t.strip())
    logger.info(
        f"Textos CLIP construidos ({strategy}): "
        f"{len(texts)} eventos, {empty} vacíos ({empty/max(len(texts),1)*100:.1f}%)"
    )
    return texts


# ─────────────────────────────────────────────────────────────────────────────
# Generación de embeddings de texto CLIP
# ─────────────────────────────────────────────────────────────────────────────
def encode_texts_clip(
    event_texts: dict[str, str],
    clip_model,
    clip_tokenize,
    device: str = 'cuda',
    batch_size: int = 256,
) -> dict[str, np.ndarray]:
    """
    Codifica los textos de cada micro-evento con CLIP y devuelve
    {event_id: embedding L2-normalizado (512,)}.

    Parámetros
    ----------
    event_texts   : Salida de build_event_texts().
    clip_model    : Modelo CLIP (openai/clip).
    clip_tokenize : clip.tokenize.
    device        : 'cuda' o 'cpu'.
    batch_size    : Artículos por batch (CLIP text encoder es rápido).
    """
    import torch

    event_ids = list(event_texts.keys())
    texts     = [event_texts[eid] for eid in event_ids]
    embeddings: dict[str, np.ndarray] = {}

    clip_model.eval()

    with torch.no_grad():
        for i in range(0, len(texts), batch_size):
            batch_ids  = event_ids[i:i + batch_size]
            batch_txts = texts[i:i + batch_size]

            # Truncar a 77 tokens (límite CLIP)
            tokens = clip_tokenize(batch_txts, truncate=True).to(device)
            feats  = clip_model.encode_text(tokens)
            feats  = feats / feats.norm(dim=-1, keepdim=True)  # L2 normalize
            feats  = feats.cpu().numpy().astype(np.float32)

            for eid, vec in zip(batch_ids, feats):
                embeddings[eid] = vec

    logger.info(f"Embeddings de texto CLIP generados: {len(embeddings)} eventos")
    return embeddings


# ─────────────────────────────────────────────────────────────────────────────
# Cómputo de coherencia imagen-texto
# ─────────────────────────────────────────────────────────────────────────────
def compute_clip_coherence(
    df_resumen: pd.DataFrame,
    text_embeddings: dict[str, np.ndarray],
    image_embeddings_by_event: dict[str, np.ndarray],
    event_id_col: str = 'micro_event_id',
) -> pd.DataFrame:
    """
    Calcula la coherencia coseno imagen-texto para cada micro-evento.

    Parámetros
    ----------
    df_resumen               : DataFrame resumen con una fila por micro-evento.
    text_embeddings          : {event_id: text_emb(512,)} de encode_texts_clip().
    image_embeddings_by_event: {event_id: image_emb_mean(512,)} de la Fase 3.
    event_id_col             : Nombre de la columna de ID.

    Retorna
    -------
    df_resumen con columna 'clip_text_coherence_v2' añadida.
    """
    coherences: list[float] = []

    for _, row in df_resumen.iterrows():
        eid = str(row[event_id_col])
        t_emb = text_embeddings.get(eid)
        i_emb = image_embeddings_by_event.get(eid)

        if t_emb is None or i_emb is None:
            coherences.append(float('nan'))
            continue

        t = t_emb.reshape(1, -1)
        im = i_emb.reshape(1, -1)
        coh = float(cosine_similarity(t, im)[0, 0])
        coherences.append(coh)

    df_out = df_resumen.copy()
    df_out['clip_text_coherence'] = coherences

    valid = [c for c in coherences if not np.isnan(c)]
    if valid:
        baseline = np.mean(valid)
        real_m   = np.mean(valid)
        print(f"\nCoherencia CLIP (estrategia mejorada):")
        print(f"  N       : {len(valid)}")
        print(f"  Media   : {real_m:.4f}")
        print(f"  Mediana : {np.median(valid):.4f}")
        print(f"  Std     : {np.std(valid):.4f}")

    return df_out


# ─────────────────────────────────────────────────────────────────────────────
# Comparativa baseline vs improved
# ─────────────────────────────────────────────────────────────────────────────
def compare_coherence_strategies(
    df_resumen: pd.DataFrame,
    text_emb_original: dict[str, np.ndarray],
    text_emb_improved: dict[str, np.ndarray],
    image_embeddings_by_event: dict[str, np.ndarray],
    event_id_col: str = 'micro_event_id',
) -> pd.DataFrame:
    """
    Calcula la coherencia con ambas estrategias (label_jit vs best_headline)
    y muestra una comparativa directa.

    Útil para validar cuánto mejora la señal imagen-texto antes de reemplazar
    el pipeline completo.
    """
    df1 = compute_clip_coherence(df_resumen, text_emb_original, image_embeddings_by_event, event_id_col)
    df2 = compute_clip_coherence(df_resumen, text_emb_improved, image_embeddings_by_event, event_id_col)

    c_orig = df1['clip_text_coherence'].dropna()
    c_impr = df2['clip_text_coherence'].dropna()

    # Baseline aleatorio (permutación)
    rng = np.random.default_rng(42)
    event_ids = list(image_embeddings_by_event.keys())
    img_matrix = np.stack([image_embeddings_by_event[e] for e in event_ids])
    txt_improved = np.stack([text_emb_improved[e] for e in event_ids if e in text_emb_improved])
    if len(txt_improved) == len(img_matrix):
        perm = rng.permutation(len(img_matrix))
        baseline = float(cosine_similarity(txt_improved, img_matrix[perm]).diagonal().mean())
    else:
        baseline = float('nan')

    print("\n" + "=" * 55)
    print("  COMPARATIVA DE ESTRATEGIAS DE TEXTO CLIP")
    print("=" * 55)
    print(f"  Baseline aleatorio (random)  : {baseline:.4f}")
    print(f"  label c-TF-IDF (original)    : {c_orig.mean():.4f}  "
          f"({c_orig.mean()/baseline:.2f}× baseline)")
    print(f"  Best headline (mejorado)     : {c_impr.mean():.4f}  "
          f"({c_impr.mean()/baseline:.2f}× baseline)")
    print("=" * 55)

    return df2