# -*- coding: utf-8 -*-
import os as _o
# chdir กลับ project root — แต่ "เฉพาะตอนที่อยู่ในโครงโปรเจกต์จริง"
# เหตุผล: ตอน deploy ไฟล์นี้จะถูกก็อปไปวางแบนๆ ที่ /home/user/app/ ซึ่งขึ้น 3 ชั้นแล้วได้ "/"
#         ถ้า chdir ไปดื้อๆ จะหาไฟล์โมเดลไม่เจอ -> เช็คก่อนว่ามีโฟลเดอร์ results/ ไหม
_root = _o.path.dirname(_o.path.dirname(_o.path.dirname(_o.path.abspath(__file__))))
if _o.path.isdir(_o.path.join(_root, 'results')):
    _o.chdir(_root)
# ============================================================
# predict_bmi.py — เอา 22 ตัวเลขที่สกัดจากรูป มาแปลงเป็น BMI
#
# ===== ต้องการอะไร =====
#   โมเดลที่เทรนบน Kaggle ถูกเซฟลง bmi_bundle.pkl แล้วโหลดกลับมาที่เครื่อง
#   คำถามคือ "ของที่โหลดมา ยังเป็นตัวเดิมอยู่ไหม หรือเพี้ยนระหว่างทาง?"
#   ไฟล์นี้ทั้งใช้ทำนายจริง และพิสูจน์ว่าโมเดลยังให้ผลเท่าเดิม (MAE 3.77)
#
# ===== ไฟล์นี้ทำอะไร =====
#   1) โหลด bmi_bundle.pkl (SVR + scaler ที่เทรนไว้แล้ว)
#   2) รับ 7 ratio + 15 deep -> คืนค่า BMI
#   *** ใช้แค่ sklearn ไม่ต้อง torch/detectron2 -> รันบน Windows ได้ ***
#
# ===== วิธีคิด (ลำดับสำคัญมาก ห้ามสลับ) =====
#   ตอนเทรนบน Kaggle ทำแบบนี้:
#       scaler.transform(7 ratio)  แล้วค่อย  hstack กับ 15 deep "ดิบ"  -> 22 คอลัมน์
#
#   ทำไมสเกลแค่ 7 ratio: เพราะ Area เป็นเลขหลักหมื่น แต่ WSR เป็น 0.8
#   ถ้าไม่ปรับสเกล SVR จะสนใจแต่ Area ตัวเดียว
#   ส่วน 15 deep ออกจาก CNN มาสเกลใกล้เคียงกันอยู่แล้ว -> ไม่ต้องแตะ
#
#   *** ตอนใช้งานต้องทำ "เหมือนตอนเทรนเป๊ะ" ***
#   ถ้าสลับลำดับ หรือเผลอสเกล 15 deep ด้วย -> SVR เจอตัวเลขที่ไม่เคยเห็น -> BMI มั่ว
# ============================================================
import numpy as np
import joblib                       # ต้องใช้ joblib ไม่ใช่ pickle ธรรมดา (pickle.load อ่านไฟล์นี้ไม่ออก)

# ตั้งผ่าน environment variable ได้ เพื่อให้ Docker ชี้ไปที่อื่นได้โดยไม่ต้องแก้โค้ด
BUNDLE_PATH = _o.environ.get('BUNDLE_PATH', 'results/dense/bmi_bundle.pkl')


# ============================================================
# โหลด bundle (ทำครั้งเดียวตอน import — จะได้ไม่โหลดซ้ำทุกครั้งที่ทำนาย)
# ============================================================
def load_bundle(path=BUNDLE_PATH):
    """
    คืน dict ที่มี 5 key:
        model      : SVR ที่ fit แล้ว (ตัวทำนาย BMI)
        scaler     : StandardScaler ที่ fit กับ 7 ratio ของชุด train
        ratio_cols : ชื่อคอลัมน์ 7 ratio (เรียงลำดับสำคัญ!)
        deep_cols  : ชื่อคอลัมน์ 15 deep (d0..d14)
        name       : ชื่อโมเดล ('SVR')
    """
    b = joblib.load(path)
    # เช็คว่าไฟล์ครบจริง ไม่ใช่ไฟล์เสีย/ไฟล์ผิดตัว
    for k in ('model', 'scaler', 'ratio_cols', 'deep_cols'):
        if k not in b:
            raise KeyError(f'bundle ไม่มี key "{k}" — ไฟล์อาจผิดตัวหรือเสีย')
    return b


_BUNDLE = None                       # ตัวแปรเก็บ bundle ไว้ใช้ซ้ำ (lazy load = โหลดตอนเรียกใช้ครั้งแรก)


def _get_bundle():
    """โหลด bundle ครั้งแรกครั้งเดียว ครั้งต่อไปใช้ของเดิม (ประหยัดเวลาตอนรันบนเว็บ)"""
    global _BUNDLE
    if _BUNDLE is None:
        _BUNDLE = load_bundle()
    return _BUNDLE


# ============================================================
# หัวใจ: 22 ตัวเลข -> BMI
# ============================================================
def predict_bmi(ratio7, deep15, bundle=None):
    """
    รับ  : ratio7  = 7 ค่า เรียงตาม ['WSR','WTR','WHpR','WHdR','HpHdR','Area','H2W']
           deep15  = 15 ค่า จาก DenseNet (d0..d14)
    คืน  : BMI (float)

    รับได้ทั้งคนเดียว (list ยาว 7) และหลายคนพร้อมกัน (array shape (n,7))
    """
    b = bundle if bundle is not None else _get_bundle()

    # แปลงเป็น array 2 มิติเสมอ (n คน, จำนวนฟีเจอร์) — เผื่อส่งมาเป็น list แบนๆ ของคนเดียว
    R = np.atleast_2d(np.asarray(ratio7, dtype=float))
    D = np.atleast_2d(np.asarray(deep15, dtype=float))

    # เช็คจำนวนฟีเจอร์ก่อน จะได้ error ที่อ่านรู้เรื่อง แทนที่จะไปพังลึกๆ ใน sklearn
    if R.shape[1] != len(b['ratio_cols']):
        raise ValueError(f"ratio ต้องมี {len(b['ratio_cols'])} ค่า ได้มา {R.shape[1]}")
    if D.shape[1] != len(b['deep_cols']):
        raise ValueError(f"deep ต้องมี {len(b['deep_cols'])} ค่า ได้มา {D.shape[1]}")

    # ===== หัวใจ: สเกล "แค่ 7 ratio" แล้วต่อกับ 15 deep ดิบ (ลำดับเดียวกับตอนเทรน) =====
    X = np.hstack([b['scaler'].transform(R), D])      # -> (n, 22)

    pred = b['model'].predict(X)                      # SVR ทำนาย BMI
    return float(pred[0]) if pred.shape[0] == 1 else pred   # คนเดียวคืน float / หลายคนคืน array


# ============================================================
# เทสตัวเอง — พิสูจน์ว่าโมเดลที่โหลดมา "ยังเป็นตัวเดิม"
#
#   วิธี verify: เอา feat_Image_test.csv (ชุดเทสที่ Kaggle ใช้วัดผล)
#   มาทำนายใหม่ในเครื่อง แล้วดูว่าได้ MAE/R2 เท่ากับที่รายงานไว้ไหม
#       เป้า: MAE 3.77 / R2 0.60   (plan03 ตารางผล)
#   ถ้าตรง = โหลดถูกตัว ลำดับ feature ถูก scaler ถูก -> เอาไปใช้ต่อได้
#   ถ้าไม่ตรง = มีอะไรผิดตั้งแต่ต้น ห้ามไปต่อ
# ============================================================
if __name__ == '__main__':
    import pandas as pd
    from sklearn.metrics import mean_absolute_error, r2_score

    print('=' * 62)
    print('  เทส predict_bmi.py — โมเดลที่โหลดมายังให้ผลเท่าเดิมไหม?')
    print('=' * 62)

    b = load_bundle()
    print(f"  โมเดล      : {b['name']} ({type(b['model']).__name__})")
    print(f"  scaler     : {type(b['scaler']).__name__} รับ {b['scaler'].n_features_in_} ฟีเจอร์ (= 7 ratio)")
    print(f"  ratio_cols : {b['ratio_cols']}")
    print(f"  deep_cols  : {b['deep_cols'][0]} ... {b['deep_cols'][-1]} (รวม {len(b['deep_cols'])} ตัว)\n")

    # ---------- โหลดชุดเทส (ชุดเดียวกับที่ Kaggle ใช้วัด) ----------
    te = pd.read_csv('results/dense/feat_Image_test.csv')
    te = te.replace([np.inf, -np.inf], np.nan).dropna()        # ทิ้งแถวเสีย (เหมือนตอนเทรน)
    print(f'  ชุดเทส: {len(te)} รูป')

    # ---------- ทำนายทั้งชุด ----------
    pred = predict_bmi(te[b['ratio_cols']].values, te[b['deep_cols']].values, bundle=b)
    mae = mean_absolute_error(te.BMI.values, pred)
    r2 = r2_score(te.BMI.values, pred)

    print(f'\n  ผลที่ได้ตอนนี้ : MAE {mae:.2f}   R² {r2:+.3f}')
    print(f'  ที่ Kaggle รายงาน: MAE 3.77   R² +0.600')

    # ---------- ตัดสิน ----------
    # ยอมให้คลาดได้ 0.05 เพราะ sklearn คนละเวอร์ชันอาจปัดเศษต่างกันนิดหน่อย
    if abs(mae - 3.77) < 0.05:
        print('\n  ✅ ตรงกัน — โมเดลที่โหลดมาเป็นตัวเดิม ใช้ต่อได้เลย')
    else:
        print(f'\n  ❌ ไม่ตรง (ต่าง {abs(mae - 3.77):.2f}) — อย่าเพิ่งไปต่อ ให้ไล่เช็ค:')
        print('     - ลำดับคอลัมน์ ratio ถูกไหม')
        print('     - เผลอสเกล 15 deep ด้วยหรือเปล่า (ต้องสเกลแค่ 7 ratio)')
        print('     - เวอร์ชัน scikit-learn ต่างจาก 1.6.1 มากไปไหม')

    # ---------- ลองทำนายคนเดียว (แบบที่หน้าเว็บจะเรียกใช้จริง) ----------
    row = te.iloc[0]
    one = predict_bmi(row[b['ratio_cols']].values, row[b['deep_cols']].values, bundle=b)
    print(f'\n  ลองทำนายทีละคน (แบบที่เว็บจะใช้):')
    print(f'    รูป {row.fname}  ->  ทำนาย BMI {one:.2f}   ของจริง {row.BMI:.2f}   คลาด {abs(one - row.BMI):.2f}')
    print('=' * 62)
    # วิธีอ่านผล:
    #   - MAE 3.77 = ทำนาย BMI พลาดเฉลี่ย 3.77 หน่วย (เช่น จริง 25 ทายได้ 21-29)
    #   - R² 0.60  = อธิบายความแปรปรวนของ BMI ได้ 60%
    #   - "คลาด" ของคนเดียวจะแกว่งกว่าค่าเฉลี่ย เป็นเรื่องปกติ ดูภาพรวมที่ MAE