import streamlit as st
import joblib
import pandas as pd
import numpy as np

# Chargement des modèles
@st.cache_resource
def charger_modeles():
    model_multi = joblib.load('src/model_multi.pkl')
    modeles_segment = joblib.load('src/modeles_segment.pkl')
    le = joblib.load('src/label_encoder_multi.pkl')
    features = joblib.load('src/features_multi.pkl')
    return model_multi, modeles_segment, le, features

# Chargement des données pour les sélecteurs
@st.cache_data
def charger_donnees():
    df = pd.read_csv('data/valeursfoncieres-2025-s1.txt/ValeursFoncieres-2025-S1.txt',
                     sep='|', low_memory=False,
                     usecols=['Commune', 'Code departement'])
    df = df.dropna()
    df['Commune'] = df['Commune'].str.strip().str.upper()
    df['Code departement'] = df['Code departement'].str.strip()
    return df

def assigner_segment(type_bien, prix_estime):
    t = 'appart' if type_bien == 'Appartement' else 'maison'
    if prix_estime < 100000:
        g = 'bas'
    elif prix_estime < 250000:
        g = 'moyen_bas'
    elif prix_estime < 500000:
        g = 'moyen_haut'
    else:
        g = 'haut'
    return f"{t}_{g}"

model_multi, modeles_segment, le, features = charger_modeles()
df_ref = charger_donnees()
departements = sorted(df_ref['Code departement'].unique().tolist())

# Configuration
st.set_page_config(page_title="Immo Predict", page_icon="🏠", layout="centered")

st.title("🏠 Immo Predict")
st.subheader("Estimation du prix d'un bien immobilier en France")
st.caption("Basé sur 3,7 millions de transactions DVF 2022-2025")
st.divider()

# Formulaire
col1, col2 = st.columns(2)

with col1:
    type_bien = st.selectbox("Type de bien", ["Appartement", "Maison"])
    surface = st.number_input("Surface (m²)", min_value=9, max_value=500, value=70)
    nb_pieces = st.slider("Nombre de pièces", 1, 15, 3)

with col2:
    departement = st.selectbox("Département", departements, 
                                index=departements.index('75') if '75' in departements else 0)
    communes_dept = sorted(df_ref[df_ref['Code departement'] == departement]['Commune'].unique().tolist())
    commune = st.selectbox("Commune", communes_dept)
    surface_terrain = st.number_input("Surface terrain (m², 0 si appartement)", min_value=0, value=0)

nb_lots = st.number_input("Nombre de lots (copropriété)", min_value=0, value=1)

st.divider()

if st.button("Estimer le prix 🔍", type="primary"):
    try:
        type_encode = 0 if type_bien == 'Appartement' else 1

        try:
            commune_encode = le.transform([commune.upper()])[0]
        except:
            commune_encode = 0

        try:
            dept_encode = le.transform([departement])[0]
        except:
            dept_encode = 0

        X_pred = pd.DataFrame([[type_encode, surface, nb_pieces, nb_lots, 
                                 surface_terrain, commune_encode, dept_encode]],
                               columns=features)

        # Première estimation avec le modèle global
        prix_estime = model_multi.predict(X_pred)[0]

        # Sélection du bon segment
        segment = assigner_segment(type_bien, prix_estime)

        # Prédiction finale avec le modèle du segment
        if segment in modeles_segment:
            prix_final = modeles_segment[segment].predict(X_pred)[0]
            modele_info = f"Modèle spécialisé — segment {segment.replace('_', ' ')}"
        else:
            prix_final = prix_estime
            modele_info = "Modèle général"

        # Précision selon le segment
        precision_map = {
            'appart_bas': 65.9, 'appart_moyen_bas': 83.4,
            'appart_moyen_haut': 87.5, 'appart_haut': 79.5,
            'maison_bas': 50.4, 'maison_moyen_bas': 81.1,
            'maison_moyen_haut': 86.7, 'maison_haut': 78.8
        }
        precision = precision_map.get(segment, 75.0)

        fourchette_bas = prix_final * 0.85
        fourchette_haut = prix_final * 1.15
        prix_m2 = prix_final / surface

        st.success(f"### Prix estimé : {prix_final:,.0f} €")

        col1, col2, col3 = st.columns(3)
        col1.metric("Fourchette basse", f"{fourchette_bas:,.0f} €")
        col2.metric("Prix au m²", f"{prix_m2:,.0f} €/m²")
        col3.metric("Fourchette haute", f"{fourchette_haut:,.0f} €")

        st.info(f"🎯 Précision du modèle sur ce segment : **{precision}%**")
        st.caption(f"ℹ️ {modele_info}")
        st.caption("⚠️ Estimation basée sur les transactions DVF 2022-2025. Hors marché du luxe (> 2M€).")

    except Exception as e:
        st.error(f"Erreur : {e}")