import plotly.express as px
import pandas as pd
import gradio as gr
import openai

# 課程資料
course_dict = {
    "基礎必修": [
        {"科目": "統計學", "學分": 3, "課程": ["統計學", "初級統計", "教育統計", "體育統計學", "生物統計學", "數理統計", "機率與統計"]},
        {"科目": "資料庫系統", "學分": 3, "課程": ["資料庫系統", "資料庫管理系統", "資料庫"]},
        {"科目": "資料探勘", "學分": 3, "課程": ["資料探勘", "人工智慧", "資料結構", "教育資料科學概論", "大數據分析", "深度學習", "機器學習", "演算法", "資料視覺化"]}
    ],
    "核心選修": [
        {"科目": "研究方法", "學分": 3, "課程": ["研究方法", "教育研究法", "社會科學研究法", "科學教育研究法", "量化研究"]},
        {"科目": "高等統計學", "學分": 3, "課程": ["高等教育統計", "高等體育統計學"]},
        {"科目": "多變量分析", "學分": 3, "課程": ["多變量分析"]},
        {"科目": "程式設計", "學分": 3, "課程": ["程式設計", "基礎程式設計", "計算機程式設計", "網路程式設計", "物件導向程式設計", "視窗程式設計", "行動程式設計", "網頁程式設計", "遊戲程式設計", "資料科學程式設計", "視覺化程式設計語言"]},
        {"科目": "前端工程設計", "學分": 3, "課程": ["前端工程設計", "網頁設計與製作", "網頁設計", "網站建置與管理", "跨平台前端工程設計"]},
        {"科目": "使用者經驗設計", "學分": 3, "課程": ["使用者經驗設計", "設計方法", "視覺傳達設計", "電腦多媒體理論與實務", "混合實境科技", "人機介面設計與製作"]},
        {"科目": "專題研究", "學分": 2, "課程": ["智慧型科技專題", "資訊科技專題", "資料探勘專題研究", "人工智慧案例討論", "大數據分析案例討論"]}
    ]
}

# 將資料轉換為平坦的 DataFrame
def create_dataframe(course_dict):
    data = []
    for category, subjects in course_dict.items():
        for subject in subjects:
            for course in subject["課程"]:
                data.append({
                    "類別": category,
                    "科目": subject["科目"],
                    "課程": course
                })
    return pd.DataFrame(data)


df = create_dataframe(course_dict)

# 創建樹狀圖函數
def create_sunburst_chart(df):
    fig = px.sunburst(
        df,
        path=['類別', '科目', '課程'],
        title="課程結構互動圖",
        color='類別',
        color_discrete_sequence=px.colors.qualitative.Pastel
    )

    # 自訂 hovertemplate，不顯示學分
    fig.update_traces(
        hovertemplate="<b>%{label}</b><br><extra></extra>"
    )
    
    # 更新圖表佈局
    fig.update_layout(
        margin=dict(t=50, l=25, r=25, b=25)
    )
    return fig


# 生成初始樹狀圖
initial_fig = create_sunburst_chart(df)

# 課程推薦函數
def recommend_courses(learning_background, difficulty, preferred_course, question_type, possible_career_paths, api_key):
    openai.api_key = api_key

    try:
        # 使用 OpenAI API 生成建議，符合新版 API 介面
        completion = openai.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": "你是一位資深的教育顧問，負責為學生提供個性化的學習建議，請以純文字格式回答，不要包含 Markdown 語法。"},
                {
                    "role": "user",
                    "content": f"""請確保不要以Markdown語法回覆，
                               根據以下課程資料：{course_dict}，
                               學習背景為{learning_background}，
                               難度為{difficulty}，
                               最感興趣的課程名稱為{preferred_course}，
                               偏好教學方式為{question_type}，
                               未來可能從事的職業或研究方向為{possible_career_paths}，
                               請根據課程資料、學習背景、難度、最感興趣的課程、偏好教學方式、未來可能從事的職業或研究方向推薦所需修的科目，
                               請推薦至少9學分的基礎必修科目和至少8學分的核心選修科目，
                               並依照科目推薦對應的2-3個課程，
                               請確保至少9學分的基礎必修科目，
                               並確保至少8學分的核心選修科目與總科目學分不少於17學分，
                               並顯示目前所選科目的學分，
                               並顯示所選科目的學分的加總(包含詳細選擇課程學分的加總過程），
                               並依照推薦課程提供對應多個學習資源（如網站名稱，不要連結）建議。
                               請輸出推薦課程的學習路徑，範例：科目→科目→科目，
                               詳細分析此學習路徑原因，
                               請以純文字格式回答，不要包含 Markdown 語法。"""
                }
                
            ]
        )
        recommendation = completion.choices[0].message.content

        # 返回推薦結果，不更新圖表
        return recommendation

    except Exception as e:
        return f"錯誤發生：{str(e)}。請檢查 API Key 是否正確或稍後再試。"

# Gradio 表單設計
with gr.Blocks() as demo:
    gr.Markdown("# 個人化課程學習建議")

    with gr.Row():
        # 左側欄：課程結構與學分分佈樹狀圖
        with gr.Column(scale=1):
            sunburst_output = gr.Plot(value=initial_fig, label="課程結構互動圖")
        
        # 中間欄：課程推薦表單
        with gr.Column(scale=1):

            with gr.Row():
                # 學習背景（複選）
                learning_background = gr.CheckboxGroup(
                    choices=[
                        "無資訊技術背景",
                        "相關資訊課經驗",
                        "資訊本科生",
                        "軟體開發經驗",
                        "網頁設計經驗",
                        "數據分析經驗"
                    ],
                    label="學習背景"
                )
            with gr.Row():
                # 難度區
                difficulty = gr.Dropdown(["基礎", "進階", "專業"], label="偏好難度")
                # 偏好教學方式
                question_type = gr.Dropdown(
                    ["理論講解", "案例分析", "實作練習", "專題研究"],
                    label="偏好教學方式"
                )

            with gr.Row():
                # 課程
                preferred_course = gr.Dropdown(
                    ["程式設計", "統計", "資料庫", "專題研究", "人機介面設計與製作", "網頁設計"],
                    label="最感興趣的課程名稱"
                )
                # 未來可能從事的職業或研究方向
                possible_career_paths = gr.Dropdown(
                    ["資料科學家",
                     "機器學習工程師",
                     "前端設計師",
                     "後端軟體工程師"],
                    label="可能從事的職業或研究方向"
                )
            
            with gr.Row():
                # API Key 輸入
                api_key = gr.Textbox(label="生成金鑰（API Key）", type="password")
            
            # 提交按鈕
            submit = gr.Button("提交")
        
        # 右側欄：課程推薦輸出
        with gr.Column(scale=1):
            # 課程推薦輸出
            output = gr.Textbox(label="課程推薦", lines=24)

    # 將提交按鈕與輸出連接
    submit.click(
        recommend_courses,
        inputs=[learning_background, difficulty, preferred_course, question_type, possible_career_paths, api_key],
        outputs=output
    )

# 啟動 Gradio 的應用
demo.launch()