import gradio as gr
import pandas as pd
import joblib
import os
from huggingface_hub import hf_hub_download
from dotenv import load_dotenv

load_dotenv()

# ==============================================================================
# 1. CARGA DEL MODELO DESDE HUGGING FACE (CLOUD)
# ==============================================================================
# Cambia 'TU_USUARIO' por tu nombre de usuario en Hugging Face
repo_id = "larxmind/student-dropout-predictor-rf" 
nombre_archivo = "modelo_rf_optimizado.pkl"

try:
    print(f"⏳ Conectando con Hugging Face para descargar el modelo '{repo_id}'...")
    ruta_modelo_cache = hf_hub_download(repo_id=repo_id, filename=nombre_archivo)
    modelo = joblib.load(ruta_modelo_cache)
    print("✅ Modelo Cloud cargado correctamente y listo para inferencia.")
except Exception as e:
    print(f"❌ Error crítico al cargar el modelo desde la nube: {e}")
    print("Asegúrate de que el repositorio es público o de que tu HF_TOKEN está en el .env")

# ==============================================================================
# 2. FUNCIÓN DE PREDICCIÓN
# ==============================================================================
def predecir_abandono(genero, region, nivel_educativo, nivel_economico, rango_edad, 
                      intentos_previos, creditos, discapacidad, 
                      clics, entregas, nota, asistencia):
    
    # Preparamos el dataframe emulando las columnas que espera tu modelo
    datos_entrada = pd.DataFrame([{
        'code_module': 0, 
        'code_presentation': 0, 
        'genero': 0 if genero == 'F' else 1,
        'region': 0, 
        'nivel_educativo': 1, 
        'nivel_economico': 5, 
        'rango_edad': 0 if rango_edad == '0-35' else (1 if rango_edad == '35-55' else 2),
        'intentos_previos': intentos_previos,
        'creditos_matriculados': creditos,
        'discapacidad': 1 if discapacidad == 'Sí' else 0,
        'total_clics': clics,
        'evaluaciones_entregadas': entregas,
        'nota_media': nota,
        'dias_asistencia_mes': asistencia
    }])

    # -------------------------------------------------------------------------
    # 🛡️ BLINDAJE DE COLUMNAS: Reordenar exactamente como en el entrenamiento
    # -------------------------------------------------------------------------
    if hasattr(modelo, 'feature_names_in_'):
        # Rellenamos columnas que falten (por si el encoder creó más de la cuenta)
        for col in modelo.feature_names_in_:
            if col not in datos_entrada.columns:
                datos_entrada[col] = 0
                
        # Forzamos el orden estricto
        datos_entrada = datos_entrada[modelo.feature_names_in_]
    # -------------------------------------------------------------------------
    
    # Extraemos probabilidad (clase 1 = Abandono) y la predicción final
    probabilidad = modelo.predict_proba(datos_entrada)[0][1]
    prediccion = modelo.predict(datos_entrada)[0]
    
    if prediccion == 1:
        return f"⚠️ RIESGO ALTO DE ABANDONO ({probabilidad:.1%})", "Se recomienda intervención inmediata por parte del tutor."
    else:
        return f"✅ ESTUDIANTE SEGURO ({1 - probabilidad:.1%} de permanencia)", "El ritmo de estudio es adecuado."

# ==============================================================================
# 3. INTERFAZ GRÁFICA (GRADIO BLOCKS)
# ==============================================================================
with gr.Blocks() as demo:
    gr.Markdown(
        """
        # 🎓 Sistema de Alerta Temprana (Early Warning System)
        ### Predicción de Abandono Estudiantil basada en Telemetría (Primeros 45 días)
        """
    )
    
    with gr.Row():
        # COLUMNA 1: Perfil
        with gr.Column():
            gr.Markdown("### 👤 Perfil del Estudiante")
            genero = gr.Radio(choices=["M", "F"], label="Género", value="F")
            rango_edad = gr.Dropdown(choices=["0-35", "35-55", "55<="], label="Rango de Edad", value="0-35")
            discapacidad = gr.Radio(choices=["Sí", "No"], label="¿Discapacidad declarada?", value="No")
            region = gr.Textbox(label="Región (Ej. Scotland)", placeholder="Opcional")
            nivel_educativo = gr.Textbox(label="Nivel Educativo", placeholder="Opcional")
            nivel_economico = gr.Textbox(label="Nivel Socioeconómico", placeholder="Opcional")
            
        # COLUMNA 2: Telemetría y Notas
        with gr.Column():
            gr.Markdown("### 📚 Historial Académico")
            intentos_previos = gr.Slider(minimum=0, maximum=5, step=1, label="Intentos Previos", value=0)
            creditos = gr.Slider(minimum=30, maximum=300, step=30, label="Créditos Matriculados", value=60)
            
            gr.Markdown("### 🖱️ Telemetría (Primeros 45 días)")
            clics = gr.Number(label="Total de Clics en el Campus", value=120)
            entregas = gr.Slider(minimum=0, maximum=3, step=1, label="Evaluaciones Entregadas", value=2)
            nota = gr.Slider(minimum=0, maximum=100, step=1, label="Nota Media Provisional", value=65)
            asistencia = gr.Slider(minimum=0, maximum=30, step=1, label="Días de Asistencia en el Mes", value=12)
            
    btn_predecir = gr.Button("🔍 Analizar Riesgo", variant="primary")
    
    with gr.Row():
        # Quitamos el text_color="red" para evitar el TypeError en Gradio 6.0
        resultado_estado = gr.Textbox(label="Estado de Alerta")
        resultado_accion = gr.Textbox(label="Acción Recomendada")

    btn_predecir.click(
        fn=predecir_abandono,
        inputs=[genero, region, nivel_educativo, nivel_economico, rango_edad, 
                intentos_previos, creditos, discapacidad, 
                clics, entregas, nota, asistencia],
        outputs=[resultado_estado, resultado_accion]
    )

# 4. Lanzar el servidor
if __name__ == "__main__":
    # Pasamos el tema directamente a la función de lanzamiento
    demo.launch(share=True, theme=gr.themes.Soft())