# 🏠 MiamiHomeAI - Real Estate Price Predictor for Hugging Face Spaces
# AI-powered Miami real estate price prediction

import gradio as gr
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
import joblib
from pathlib import Path
import json
import re

print("🏠 MiamiHomeAI iniciando...")

# Configuración
ZONES = [
    'Beachfront', 'Coastal', 'Downtown', 'Suburban', 'Waterfront',
    'Premium', 'Luxury', 'Urban', 'Residential', 'Commercial',
    'Urban-Coastal', 'Brickell', 'South Beach', 'Coral Gables',
    'Hammock Lakes', 'Riviera', 'Rural'
]

FLOOD_ZONES = ['X', 'AE', 'VE', 'AH', 'AO']

class FeatureEngineer:
    """Feature engineering COMPLETO para el modelo de precios - VERSIÓN EXACTA DEL ENTRENAMIENTO"""
    
    @staticmethod
    def _contains_any(series: pd.Series, keywords) -> pd.Series:
        if len(keywords) == 0:
            return pd.Series(False, index=series.index)
        pattern = '|'.join(re.escape(k.lower()) for k in keywords)
        return series.str.lower().str.contains(pattern, na=False)

    @staticmethod
    def create_features(df: pd.DataFrame) -> pd.DataFrame:
        df = df.copy()

        # ===== Básicas =====
        rooms_safe = (df['Rooms'].astype(float) + 1e-6)
        df['Size_per_Room'] = df['Size'].astype(float) / rooms_safe
        df['Bathroom_Ratio'] = df['Bathrooms'].astype(float) / rooms_safe
        df['Is_New'] = (df['Age'].astype(float) < 3).astype(np.uint8)
        df['Is_Renovated'] = ((df['Age'].astype(float) > 20) & (df['Age'].astype(float) < 25)).astype(np.uint8)

        df['Log_Size'] = np.log1p(df['Size'].astype(float))
        df['Sqrt_Beach_Distance'] = np.sqrt(df['Beach_Distance'].astype(float) + 1.0)
        df['Inverse_Beach_Distance'] = 1.0 / (df['Beach_Distance'].astype(float) + 0.1)

        # ===== Zonas geográficas =====
        z = df['Zone'].astype('string')

        coastal_premium_zones = ['Beachfront', 'Waterfront', 'Ocean View']
        df['Coastal_Premium'] = FeatureEngineer._contains_any(z, coastal_premium_zones).astype(np.uint8)

        coastal_zones = ['Coastal', 'Beach', 'Bay']
        df['Coastal_Zone'] = FeatureEngineer._contains_any(z, coastal_zones).astype(np.uint8)

        urban_premium_zones = ['Downtown', 'Brickell', 'Premium', 'Urban']
        df['Urban_Premium'] = FeatureEngineer._contains_any(z, urban_premium_zones).astype(np.uint8)

        coral_gables_zones = [
            'Hammock Lakes', 'Cocoplum', 'Coral Gables', 'South Gables',
            'Gables Estates', 'Miracle Mile', 'Venetian Pool', 'University',
            'Old Cutler', 'Pinecrest'
        ]
        df['Coral_Gables_Zone'] = FeatureEngineer._contains_any(z, coral_gables_zones).astype(np.uint8)

        inland_luxury_zones = ['Luxury', 'Estates', 'Country Club', 'Golf']
        df['Inland_Luxury'] = (
            FeatureEngineer._contains_any(z, inland_luxury_zones)
            & ~FeatureEngineer._contains_any(z, coastal_premium_zones)
        ).astype(np.uint8)

        residential_zones = ['Residential', 'Suburban', 'Neighborhood']
        df['Residential_Zone'] = FeatureEngineer._contains_any(z, residential_zones).astype(np.uint8)

        # ===== Distancias =====
        bd = df['Beach_Distance'].astype(float)
        df['Beach_Proximity_Premium'] = np.select(
            [bd <= 1, bd <= 3, bd <= 6],
            [1.5, 1.2, 1.0],
            default=0.8
        )
        df['Distance_Adjusted_Premium'] = (
            df['Urban_Premium'] * np.where(bd > 8, 0.7, 1.0)
            + df['Coral_Gables_Zone'] * np.where(bd > 12, 0.9, 1.0)
        )

        # ===== Escuelas =====
        sr = df['School_Rating'].astype(float)
        df['Excellent_Schools'] = (sr >= 8.5).astype(np.uint8)
        df['Good_Schools'] = ((sr >= 7.0) & (sr < 8.5)).astype(np.uint8)
        df['Average_Schools'] = (sr < 7.0).astype(np.uint8)
        df['School_Zone_Match'] = np.where(
            (df['Coral_Gables_Zone'] == 1) & (sr >= 8.0), 1.2,
            np.where((df['Coral_Gables_Zone'] == 1) & (sr < 6.5), 0.8, 1.0)
        )

        # ===== Flood risk =====
        flood_risk_mapping = {
            'X': 0,    # Bajo
            'AE': 1,   # Medio
            'VE': 2,   # Alto (costero)
            'AH': 1,
            'AO': 1
        }
        df['Flood_Risk'] = df['Flood_Zone'].map(flood_risk_mapping).fillna(0).astype(int)

        # ===== Interacciones =====
        df['Coastal_Beach_Interaction'] = df['Coastal_Zone'] * df['Inverse_Beach_Distance']
        df['Premium_Beach_Interaction'] = df['Coastal_Premium'] * df['Beach_Proximity_Premium']
        df['Size_Coastal_Premium'] = df['Size'].astype(float) * df['Coastal_Premium']
        df['Size_Urban_Premium'] = df['Size'].astype(float) * df['Urban_Premium']
        df['Size_Coral_Gables'] = df['Size'].astype(float) * df['Coral_Gables_Zone']
        df['Coastal_Flood_Risk'] = df['Coastal_Zone'] * df['Flood_Risk']
        df['Size_Flood_Risk'] = df['Size'].astype(float) * df['Flood_Risk']
        df['New_Premium_Bonus'] = df['Is_New'] * (df['Coastal_Premium'] + df['Urban_Premium'])
        df['Old_Coral_Gables'] = ((df['Coral_Gables_Zone'] == 1) & (df['Age'].astype(float) > 30)).astype(np.uint8)

        return df

def load_model():
    """Cargar modelo entrenado o crear modelo demo"""
    model_files = [
        "miami_premium_model_v3.joblib",
        "miami_premium_model.joblib", 
        "miami_model.joblib",
        "real_estate_model.joblib"
    ]
    
    for file_name in model_files:
        if Path(file_name).exists():
            try:
                model_data = joblib.load(file_name)
                if isinstance(model_data, dict) and 'model' in model_data:
                    print(f"✅ Modelo cargado: {file_name}")
                    return model_data['model'], True, model_data.get('metadata', {})
                else:
                    print(f"✅ Modelo simple cargado: {file_name}")
                    return model_data, True, {}
            except Exception as e:
                print(f"❌ Error cargando {file_name}: {e}")
                continue
    
    print("⚠️ Modelo no encontrado, usando predicciones demo")
    return None, False, {}

# Cargar modelo
model, model_loaded, metadata = load_model()

def predict_price(size, rooms, bathrooms, age, zone, school_rating, beach_distance, flood_zone):
    """Predecir precio de la propiedad"""
    
    try:
        # Crear DataFrame con los inputs (EXACTAMENTE como en el entrenamiento)
        input_data = pd.DataFrame({
            'Size': [size],
            'Rooms': [rooms], 
            'Bathrooms': [bathrooms],
            'Age': [age],
            'Zone': [zone],
            'School_Rating': [school_rating],
            'Beach_Distance': [beach_distance],
            'Flood_Zone': [flood_zone]
        })
        
        if model_loaded and model is not None:
            # Aplicar feature engineering COMPLETO
            features_df = FeatureEngineer.create_features(input_data)
            
            print(f"🔍 Debug - Features creadas: {features_df.shape}")
            print(f"🔍 Debug - Columnas: {list(features_df.columns)}")
            
            # Realizar predicción
            try:
                predicted_price = model.predict(features_df)[0]
                confidence = "Alta"
                
                # Formatear precio
                price_formatted = f"${predicted_price:,.0f}"
                
                # Análisis de factores
                analysis = analyze_property_factors(
                    size, rooms, bathrooms, age, zone, 
                    school_rating, beach_distance, flood_zone, predicted_price
                )
                
                result = f"""
🏠 **PREDICCIÓN DE PRECIO - MIAMIHOMEAI**
💰 **Precio Estimado: {price_formatted}**
🎯 **Confianza: {confidence}**

📊 **ANÁLISIS DE FACTORES:**
{analysis}

📋 **DETALLES DE LA PROPIEDAD:**
• 📐 Tamaño: {size:,} ft²
• 🏠 Habitaciones: {rooms}
• 🚿 Baños: {bathrooms}
• 📅 Edad: {age} años
• 🌍 Zona: {zone}
• 🎓 Rating Escolar: {school_rating}/10
• 🏖️ Distancia a Playa: {beach_distance} millas
• 🌊 Zona de Inundación: {flood_zone}

🤖 **Modelo:** {metadata.get('model_name', 'Miami Premium Model v3')}
📈 **R²:** {metadata.get('r2_score', 'N/A') if isinstance(metadata.get('r2_score'), str) else f"{metadata.get('r2_score', 0):.3f}"}
🎯 **RMSE:** {metadata.get('rmse', 'N/A') if isinstance(metadata.get('rmse'), str) else f"${metadata.get('rmse', 0):,.0f}"}
"""
                
            except Exception as e:
                result = f"❌ Error en predicción: {str(e)}\n🔍 Debug info: {features_df.shape if 'features_df' in locals() else 'No features_df'}"
                
        else:
            # Predicción demo mejorada
            base_price = 400000
            
            # Factor por tamaño
            size_factor = size * 250
            
            # Factor por zona
            zone_multipliers = {
                'Beachfront': 2.5, 'Waterfront': 2.2, 'Luxury': 2.0,
                'Premium': 1.8, 'Urban-Coastal': 1.6, 'Coastal': 1.5,
                'Downtown': 1.4, 'Brickell': 1.7, 'South Beach': 2.3,
                'Coral Gables': 1.6, 'Urban': 1.2, 'Suburban': 1.0,
                'Residential': 0.9, 'Commercial': 0.8, 'Rural': 0.7
            }
            zone_multiplier = zone_multipliers.get(zone, 1.0)
            
            # Factor por proximidad a playa
            beach_bonus = max(0, (5 - beach_distance) * 75000)
            
            # Factor por edad
            age_penalty = age * 3000
            
            # Factor por escuelas
            school_bonus = (school_rating - 5) * 25000
            
            # Factor por flood zone
            flood_penalties = {'X': 0, 'AE': -30000, 'VE': -60000, 'AH': -25000, 'AO': -20000}
            flood_penalty = flood_penalties.get(flood_zone, 0)
            
            demo_price = (base_price + size_factor * zone_multiplier + 
                         beach_bonus + school_bonus + flood_penalty - age_penalty)
            
            demo_price = max(200000, demo_price)  # Precio mínimo
            
            price_formatted = f"${demo_price:,.0f}"
            
            result = f"""
🏠 **PREDICCIÓN DEMO - MIAMIHOMEAI**
💰 **Precio Estimado: {price_formatted}**
🎯 **Confianza: DEMO**

⚠️ **MODO DEMOSTRACIÓN**
Esta es una predicción simulada para mostrar la funcionalidad.
Para predicciones reales, sube el archivo: `miami_premium_model_v3.joblib`

📊 **Factores considerados en demo:**
• Tamaño: ${size_factor * zone_multiplier:,.0f}
• Zona ({zone}): x{zone_multiplier} multiplicador
• Proximidad playa: ${beach_bonus:,.0f}
• Calidad escolar: ${school_bonus:,.0f}
• Flood risk: ${flood_penalty:,.0f}
• Depreciación edad: ${-age_penalty:,.0f}

🤖 **Sube tu modelo entrenado para predicciones reales con 95.8% precisión**
"""
        
        return result
        
    except Exception as e:
        return f"❌ Error procesando datos: {str(e)}"

def analyze_property_factors(size, rooms, bathrooms, age, zone, school_rating, beach_distance, flood_zone, price):
    """Analizar factores que influyen en el precio"""
    
    factors = []
    
    # Análisis de precio por pie cuadrado
    price_per_sqft = price / size
    if price_per_sqft > 500:
        factors.append("💎 **Precio premium** - $500+ por pie cuadrado")
    elif price_per_sqft > 300:
        factors.append("💰 **Precio alto** - $300-500 por pie cuadrado")
    elif price_per_sqft < 200:
        factors.append("💵 **Precio accesible** - Menos de $200 por pie cuadrado")
    
    # Análisis de tamaño
    if size > 3500:
        factors.append("🏰 **Mansión** - Propiedad de gran tamaño (+3,500 ft²)")
    elif size > 2500:
        factors.append("🏘️ **Casa grande** - Amplio espacio familiar (2,500+ ft²)")
    elif size < 1000:
        factors.append("🏠 **Propiedad compacta** - Ideal para solteros/parejas")
    
    # Análisis de ubicación específica
    if 'Beachfront' in zone or 'Waterfront' in zone:
        factors.append("🏖️ **Frente al agua** - Ubicación premium con vistas directas")
    elif 'Urban-Coastal' in zone:
        factors.append("🌊 **Urban-Coastal** - Perfecto balance urbano-costero")
    elif 'Brickell' in zone:
        factors.append("🏙️ **Brickell** - Centro financiero de Miami")
    elif 'South Beach' in zone:
        factors.append("🎉 **South Beach** - Zona icónica de entretenimiento")
    elif 'Coral Gables' in zone or 'Hammock Lakes' in zone:
        factors.append("🌺 **Coral Gables** - Elegante vecindario residencial")
    elif 'Luxury' in zone or 'Premium' in zone:
        factors.append("💎 **Zona de lujo** - Área exclusiva de alta gama")
    
    # Análisis de proximidad a playa
    if beach_distance < 0.5:
        factors.append("🏄 **A pasos de la playa** - Acceso inmediato al océano")
    elif beach_distance < 1.5:
        factors.append("🚶 **Muy cerca de la playa** - Caminata corta al océano")
    elif beach_distance < 3:
        factors.append("🚗 **Cerca de la playa** - 5-10 min en auto")
    elif beach_distance > 6:
        factors.append("🏡 **Zona interior** - Precio más moderado, lejos de la costa")
    
    # Análisis de edad y condición
    if age < 3:
        factors.append("✨ **Construcción nueva** - Sin depreciación, tecnología moderna")
    elif age < 10:
        factors.append("🏗️ **Propiedad reciente** - Excelente condición")
    elif 20 <= age <= 25:
        factors.append("🔧 **Era de renovación** - Posible actualización reciente")
    elif age > 40:
        factors.append("🏛️ **Propiedad histórica** - Carácter único, posible renovación")
    
    # Análisis escolar detallado
    if school_rating >= 9:
        factors.append("🎓 **Escuelas excepcionales** - Top 10% del distrito")
    elif school_rating >= 8:
        factors.append("📚 **Excelentes escuelas** - Muy atractivo para familias")
    elif school_rating >= 7:
        factors.append("🎒 **Buenas escuelas** - Sólida educación local")
    elif school_rating < 5:
        factors.append("📖 **Escuelas básicas** - Consideración importante para familias")
    
    # Análisis de riesgo de inundación
    if flood_zone == 'X':
        factors.append("☀️ **Bajo riesgo de inundación** - Sin seguro obligatorio")
    elif flood_zone == 'AE':
        factors.append("🌧️ **Riesgo moderado** - Seguro de inundación requerido")
    elif flood_zone == 'VE':
        factors.append("🌊 **Alto riesgo costero** - Zona de olas, seguro caro")
    
    # Análisis de distribución de espacios
    rooms_per_sqft = size / rooms if rooms > 0 else 0
    if rooms_per_sqft > 800:
        factors.append("🛏️ **Habitaciones amplias** - Espacios generosos")
    elif rooms_per_sqft < 400:
        factors.append("🏠 **Distribución compacta** - Uso eficiente del espacio")
    
    if not factors:
        factors.append("📊 **Propiedad estándar** - Características promedio del mercado")
    
    return "\n".join([f"• {factor}" for factor in factors])

print("✅ MiamiHomeAI listo!")

# Crear interfaz Gradio
interface = gr.Interface(
    fn=predict_price,
    inputs=[
        gr.Slider(
            minimum=500, maximum=10000, value=2000, step=50,
            label="🏠 Tamaño (ft²)", 
            info="Superficie total de la propiedad"
        ),
        gr.Slider(
            minimum=1, maximum=10, value=3, step=1,
            label="🛏️ Habitaciones",
            info="Número total de habitaciones"
        ),
        gr.Slider(
            minimum=1, maximum=8, value=2, step=0.5,
            label="🚿 Baños", 
            info="Número de baños completos y medios"
        ),
        gr.Slider(
            minimum=0, maximum=50, value=10, step=1,
            label="📅 Edad (años)",
            info="Años desde la construcción"
        ),
        gr.Dropdown(
            choices=ZONES, value="Urban-Coastal",
            label="🌍 Zona",
            info="Ubicación geográfica de la propiedad"
        ),
        gr.Slider(
            minimum=1, maximum=10, value=7, step=0.1,
            label="🎓 Rating Escolar",
            info="Calificación promedio de escuelas cercanas (1-10)"
        ),
        gr.Slider(
            minimum=0, maximum=20, value=2.5, step=0.1,
            label="🏖️ Distancia a Playa (millas)",
            info="Distancia a la playa más cercana"
        ),
        gr.Dropdown(
            choices=FLOOD_ZONES, value="AE",
            label="🌊 Zona de Inundación",
            info="Clasificación FEMA de riesgo de inundación"
        )
    ],
    outputs=gr.Textbox(
        label="💰 Predicción de Precio",
        lines=20,
        show_copy_button=True
    ),
    title="🏠 MiamiHomeAI - Predictor de Precios Inmobiliarios",
    description="""
    **🎯 Inteligencia Artificial para predicción de precios inmobiliarios en Miami**
    
    Obtén estimaciones precisas del valor de propiedades basadas en:
    📐 Características físicas • 🌍 Ubicación geográfica • 🎓 Calidad educativa • 🏖️ Proximidad costera
    
    **🚀 Modelo entrenado con R² = 95.8% usando XGBoost avanzado**
    """,
    article="""
    ### 🏖️ Sobre el Mercado Inmobiliario de Miami
    
    **🌊 Factores Clave del Precio:**
    - **Proximidad a la playa**: Las propiedades costeras pueden valer 2-3x más
    - **Zona de ubicación**: Áreas como South Beach, Brickell, y Coral Gables son premium
    - **Riesgo de inundación**: Factor crítico en una ciudad costera
    - **Calidad escolar**: Influye significativamente en el valor residencial
    
    **📊 Características del Modelo:**
    - **Algoritmos**: XGBoost (ganador), LightGBM, Random Forest, Stacking
    - **Feature Engineering**: 38 características derivadas automáticamente
    - **Precisión**: R² = 95.8%, RMSE optimizado
    - **Datos**: 3000+ propiedades de Miami con validación estratificada
    
    **🎯 Casos de Uso:**
    - **🏡 Compradores**: Evaluar si un precio es justo
    - **🏢 Agentes**: Pricing automático de propiedades  
    - **💼 Inversores**: Análisis de oportunidades de inversión
    - **🏦 Bancos**: Evaluación para préstamos hipotecarios
    
    ### 🔧 Tecnología
    **ML:** XGBoost, Scikit-learn • **UI:** Gradio • **Deploy:** Hugging Face Spaces
    
    ---
    **🏠 Desarrollado con ❤️ para el mercado inmobiliario de Miami**
    """,
    examples=[
        [2500, 3, 2, 5, "Beachfront", 8.5, 0.5, "X"],  # Lujo costero
        [1800, 2, 2, 15, "Urban-Coastal", 7.0, 2.5, "AE"],  # Edgewater típico
        [4000, 4, 3, 2, "Luxury", 9.0, 0.2, "X"],  # Mansión nueva
        [1200, 1, 1, 25, "Suburban", 6.0, 8.0, "VE"],  # Económico interior
        [3200, 3, 2.5, 8, "Brickell", 8.0, 3.0, "AE"],  # Brickell premium
        [2800, 4, 3, 12, "Coral Gables", 9.5, 4.0, "X"]  # Coral Gables familiar
    ],
    cache_examples=False,
    theme="default"
)

# Lanzar aplicación
if __name__ == "__main__":
    print("🌐 Lanzando MiamiHomeAI...")
    interface.launch()
    print("🎉 ¡MiamiHomeAI lanzado exitosamente!")