src/app.py

"""
app.py - Application Streamlit pour la détermination de l'impact carbone
des matières premières pour aliments composés.

Lancement : streamlit run app.py
"""
import streamlit as st
import pandas as pd

from flowchart_engine import evaluate_carbon_impact, CarbonResult
import data_loader
import config


# ============================================================================
# Configuration de la page
# ============================================================================
st.set_page_config(
    page_title="POC GAIA - Impact Carbone MP",
    page_icon="🌿",
    layout="wide",
)

st.title("🌿 POC GAIA — Impact Carbone des Matières Premières")
st.markdown("""
**Logigramme d'aide pour faciliter l'application du Guide de calcul de l'impact carbone
des aliments composés** *(GT Carbone — hors produits dérivés du soja)*

Renseignez les informations sur votre matière première ci-dessous, puis lancez l'évaluation.
""")

st.divider()


# ============================================================================
# Listes de suggestions (chargées une fois, mises en cache par Streamlit)
# ============================================================================
@st.cache_data
def get_country_list():
    """Retourne la liste des noms de pays disponibles (clés du mapping FR→ISO)."""
    noms = sorted(set(k.title() for k in config.PAYS_FR_TO_ISO.keys()))
    return noms

@st.cache_data
def get_matiere_list():
    """Retourne la liste des matières premières disponibles dans EcoALIM."""
    return data_loader.get_ecoalim_matieres()


# ============================================================================
# Composant autocomplete maison
# ============================================================================
def autocomplete_input(label: str, options: list[str], key: str,
                       placeholder: str = "", help_text: str = "",
                       max_suggestions: int = 8) -> str:
    """
    Champ texte libre avec suggestions filtrées cliquables en dessous.
    L'utilisateur peut taper librement ou cliquer une suggestion.
    """
    # Si une suggestion a été cliquée au tour précédent, injecter la valeur
    sel_key = f"{key}__sel"
    if sel_key in st.session_state:
        st.session_state[key] = st.session_state.pop(sel_key)

    typed = st.text_input(label, key=key, placeholder=placeholder, help=help_text)

    if typed and len(typed) >= 2:
        typed_lower = typed.lower().strip()
        # Filtrer + trier : commence par > contient, puis longueur croissante
        matches = [
            o for o in options
            if typed_lower in o.lower()
        ]
        matches.sort(key=lambda x: (not x.lower().startswith(typed_lower), len(x)))
        matches = matches[:max_suggestions]

        # Ne pas afficher si l'input est déjà un match exact
        if matches and typed not in matches:
            cols = st.columns(min(len(matches), 4))
            for i, sugg in enumerate(matches):
                with cols[i % 4]:
                    if st.button(f"➜ {sugg}", key=f"{key}__sug_{i}", use_container_width=True):
                        st.session_state[sel_key] = sugg
                        st.rerun()

    return typed or ""


# ============================================================================
# Formulaire d'entrée
# ============================================================================
col_form, col_info = st.columns([2, 1])

with col_form:
    st.subheader("📝 Formulaire de saisie")

    matiere = autocomplete_input(
        "Nom de la matière première",
        get_matiere_list(),
        key="input_matiere",
        placeholder="Ex : BLE, T.TNSL DEC., ORGE, T. COLZA, LUZERNE…",
        help_text="Entrez le nom usuel de la matière première. Des suggestions apparaîtront.",
    )

    provenance_connue = st.radio(
        "Connaissez-vous la provenance de la matière première ?",
        options=["Oui", "Non"],
        horizontal=True,
    )

    pays_production = None
    pays_transformation = None

    if provenance_connue == "Oui":
        pays_production = autocomplete_input(
            "Pays de production primaire de la MP brute",
            get_country_list(),
            key="input_pays_prod",
            placeholder="Ex : France, Brésil, Ukraine…",
            help_text="Tapez les premières lettres et cliquez sur une suggestion, ou saisissez librement.",
        )

        pays_transformation = autocomplete_input(
            "Pays de transformation (laisser vide si MP brute)",
            get_country_list(),
            key="input_pays_transfo",
            placeholder="Ex : France, Allemagne… (vide si non transformée)",
            help_text="Pays où la transformation a eu lieu. Laissez vide si la matière est brute.",
        )

    st.markdown("---")
    run_button = st.button("🚀 Évaluer l'impact carbone", type="primary", use_container_width=True)

with col_info:
    st.subheader("ℹ️ Règles générales")
    st.info("""
    - Le choix des valeurs par défaut relève de la responsabilité des entreprises.
    - Il faut attribuer un facteur d'émission à **tous** les intrants.
    - Si provenance inconnue → valeur la **plus défavorable**.
    - Si provenance connue mais donnée inexistante → donnée générique la **plus pertinente**.
    - Bases : **GFLI** et **ECOALIM** en priorité.
    """)

    st.warning("⚠️ **Hors produits dérivés du soja** — Ce logigramme ne s'applique pas aux dérivés de soja.")


# ============================================================================
# Exécution et affichage des résultats
# ============================================================================
if run_button:
    if not matiere:
        st.error("❌ Veuillez saisir un nom de matière première.")
        st.stop()

    # Nettoyage des entrées
    pays_prod = pays_production.strip() if pays_production and pays_production.strip() else None
    pays_transfo = pays_transformation.strip() if pays_transformation and pays_transformation.strip() else None

    with st.spinner("🔄 Évaluation en cours… (classification LLM + recherche dans les bases de données)"):
        result: CarbonResult = evaluate_carbon_impact(
            matiere_premiere=matiere.strip(),
            pays_production=pays_prod,
            pays_transformation=pays_transfo,
        )

    st.divider()

    # ------------------------------------------------------------------
    # Section 1 : Résultat principal
    # ------------------------------------------------------------------
    st.subheader("📊 Résultat de l'impact carbone")

    if result.erreur:
        st.error(f"❌ {result.erreur}")
    else:
        col1, col2, col3 = st.columns(3)

        with col1:
            if result.impact_kg_co2_eq is not None:
                if "tonne" in result.unite_source:
                    # GFLI : valeur en kg CO2 / tonne
                    st.metric(
                        label="Impact carbone",
                        value=f"{result.impact_kg_co2_eq:.2f}",
                        delta=f"kg CO2 eq / tonne",
                    )
                    st.metric(
                        label="Soit en tonnes CO2 eq / tonne produit",
                        value=f"{result.impact_tonne_co2_eq:.4f}",
                        delta="t CO2 eq / t produit",
                    )
                else:
                    # EcoALIM : valeur en kg CO2 / kg
                    st.metric(
                        label="Impact carbone",
                        value=f"{result.impact_kg_co2_eq:.4f}",
                        delta=f"kg CO2 eq / kg",
                    )
                    st.metric(
                        label="Soit en tonnes CO2 eq / tonne produit",
                        value=f"{result.impact_kg_co2_eq:.4f}",
                        delta="t CO2 eq / t produit (même valeur numérique)",
                    )

        with col2:
            st.markdown(f"**Source :** {result.source_db}")
            st.markdown(f"**Intrant utilisé :** {result.intrant_utilise}")
            st.markdown(f"**Match exact :** {'✅ Oui' if result.match_exact else '⚠️ Non — valeur approchée'}")

        with col3:
            st.markdown(f"**Classification :** {'🏭 Transformé' if result.classification == 'transforme' else '🌾 Brut'}")
            st.markdown(f"**Node résultat :** `{result.node_resultat}`")
            if result.pays_production:
                st.markdown(f"**Pays production :** {result.pays_production}")
            if result.pays_transformation:
                st.markdown(f"**Pays transformation :** {result.pays_transformation}")

    # ------------------------------------------------------------------
    # Section 2 : Parcours de logique (logigramme)
    # ------------------------------------------------------------------
    st.subheader("🔀 Parcours du logigramme")

    for i, step in enumerate(result.parcours):
        with st.expander(f"Étape {i+1} — {step.node_id}", expanded=(i == 0)):
            if step.question:
                st.markdown(f"**Question :** {step.question}")
            if step.answer:
                st.markdown(f"**Réponse :** {step.answer}")
            if step.action:
                st.markdown(f"**Action :** {step.action}")

    # ------------------------------------------------------------------
    # Section 3 : Actions appliquées (recherche dans les BDD)
    # ------------------------------------------------------------------
    st.subheader("🔍 Détail des recherches effectuées")

    for action in result.actions_appliquees:
        if action.startswith("   →"):
            st.success(action)
        else:
            st.markdown(f"- {action}")

    # ------------------------------------------------------------------
    # Section 4 : Justification si valeur alternative
    # ------------------------------------------------------------------
    if result.justification_alternative:
        st.subheader("💡 Justification du choix de valeur")
        st.info(result.justification_alternative)

    # ------------------------------------------------------------------
    # Section 5 : Candidats alternatifs
    # ------------------------------------------------------------------
    if result.candidats_alternatifs:
        st.subheader("📋 Produits candidats (triés par pertinence)")
        if not result.match_exact:
            st.warning("⚠️ Pas de correspondance exacte — voici les produits les plus proches avec leur impact carbone.")
        else:
            st.info("ℹ️ Autres produits correspondant à la recherche dans les bases de données.")

        # Construire un DataFrame pour un affichage clair
        df_candidates = pd.DataFrame(result.candidats_alternatifs)
        df_candidates = df_candidates.rename(columns={
            "nom": "Intrant",
            "impact": "Impact carbone",
            "unite": "Unité",
            "source": "Base",
        })
        # Formater les colonnes
        st.dataframe(
            df_candidates,
            use_container_width=True,
            hide_index=True,
            column_config={
                "Impact carbone": st.column_config.NumberColumn(format="%.4f"),
            },
        )

    # ------------------------------------------------------------------
    # Section 6 : Classification détaillée
    # ------------------------------------------------------------------
    with st.expander("📋 Détail de la classification brut/transformé"):
        st.markdown(f"**Classification :** {result.classification}")
        st.markdown(f"**Justification :** {result.classification_justification}")


# ============================================================================
# Mode batch (facultatif)
# ============================================================================
st.divider()
st.subheader("📁 Évaluation par lot (import fichier)")
st.markdown("Importez un fichier Excel avec les colonnes : `Matière première`, `Pays de la production primaire de la MP brute`, `Pays de la transformation`")

uploaded_file = st.file_uploader("Choisir un fichier Excel", type=["xlsx", "xls"])

if uploaded_file is not None:
    try:
        df_input = pd.read_excel(uploaded_file)
        st.dataframe(df_input, use_container_width=True)

        # Chercher les colonnes par nom approximatif
        col_mapping = {}
        for col in df_input.columns:
            col_lower = str(col).lower()
            if "matière" in col_lower or "matiere" in col_lower or "mp" in col_lower:
                col_mapping["matiere"] = col
            elif "production" in col_lower or "pays" in col_lower and "transf" not in col_lower:
                if "matiere" not in col_lower:
                    col_mapping["pays_prod"] = col
            elif "transf" in col_lower:
                col_mapping["pays_transfo"] = col

        if "matiere" not in col_mapping:
            st.warning("⚠️ Colonne 'Matière première' non détectée. Vérifiez les noms de colonnes.")
        else:
            if st.button("🚀 Lancer l'évaluation par lot", type="primary"):
                results_list = []
                progress_bar = st.progress(0)
                
                for idx, row in df_input.iterrows():
                    mp = str(row.get(col_mapping["matiere"], "")).strip()
                    if not mp or mp == "nan":
                        continue
                    
                    pays_p = str(row.get(col_mapping.get("pays_prod", ""), "")).strip()
                    pays_t = str(row.get(col_mapping.get("pays_transfo", ""), "")).strip()
                    pays_p = pays_p if pays_p and pays_p != "nan" else None
                    pays_t = pays_t if pays_t and pays_t != "nan" else None

                    with st.spinner(f"Évaluation de {mp}..."):
                        res = evaluate_carbon_impact(mp, pays_p, pays_t)
                    
                    results_list.append({
                        "Matière première": mp,
                        "Pays production": pays_p or "",
                        "Pays transformation": pays_t or "",
                        "Classification": res.classification,
                        "Impact (kg CO2 eq)": res.impact_kg_co2_eq,
                        "Unité": res.unite_source,
                        "Source": res.source_db,
                        "Intrant utilisé": res.intrant_utilise,
                        "Match exact": "Oui" if res.match_exact else "Non",
                        "Node résultat": res.node_resultat,
                        "Justification": res.justification_alternative or "",
                        "Erreur": res.erreur or "",
                    })
                    
                    progress_bar.progress((idx + 1) / len(df_input))

                if results_list:
                    df_results = pd.DataFrame(results_list)
                    st.subheader("📊 Résultats du lot")
                    st.dataframe(df_results, use_container_width=True)
                    
                    # Téléchargement
                    csv = df_results.to_csv(index=False).encode("utf-8")
                    st.download_button(
                        label="📥 Télécharger les résultats (CSV)",
                        data=csv,
                        file_name="resultats_impact_carbone.csv",
                        mime="text/csv",
                    )

    except Exception as e:
        st.error(f"Erreur lors de la lecture du fichier : {e}")


# ============================================================================
# Footer
# ============================================================================
st.divider()
st.caption(
    "POC GAIA — Outil d'aide à la détermination de l'impact carbone des matières premières "
    "pour aliments composés. Basé sur le Guide GT Carbone, les bases ECOALIM v9 et GFLI 2.0. "
    "Classification brut/transformé assistée par Mistral AI et le Catalogue UE des Matières Premières."
)