import streamlit as st
import pandas as pd
import plotly.express as px
import re  # Pour utiliser les expressions régulières

# Configuration de la page
st.set_page_config(page_title="Tableau de Bord Épidémie", layout="wide")


# Fonction pour charger un fichier uploadé (CSV ou Excel)
def load_uploaded_file(uploaded_file):
    if uploaded_file is not None:
        try:
            if uploaded_file.name.endswith(".csv"):
                df = pd.read_csv(uploaded_file, sep="\t")
            elif uploaded_file.name.endswith((".xlsx", ".xls")):
                df = pd.read_excel(uploaded_file)
            else:
                st.error("Type de fichier non supporté. Veuillez uploader un fichier CSV ou Excel.")
                return None
            return df
        except Exception as e:
            st.error(f"Erreur lors du chargement du fichier : {e}")
            return None
    return None


# Interface pour uploader des fichiers dans la sidebar
st.sidebar.header("📎 Importer vos Bases Excel")
uploaded_file1 = st.sidebar.file_uploader("📂 Charger un premier fichier", type=["csv", "xlsx", "xls"])
uploaded_file2 = st.sidebar.file_uploader("📂 Charger un deuxième fichier", type=["csv", "xlsx", "xls"])

# Vérifier que les deux fichiers sont chargés
if uploaded_file1 is None or uploaded_file2 is None:
    st.warning("Veuillez envoyer les deux bases pour afficher les données.")
    st.stop()

# Charger les fichiers
df_a = load_uploaded_file(uploaded_file1)
df_b = load_uploaded_file(uploaded_file2)

# Identifier quel fichier correspond à quelle structure
# Celui contenant la colonne "periodname" correspond à df2 (la base avec "organisationunitname")
if "periodname" in df_a.columns:
    df2, df1 = df_a.copy(), df_b.copy()
else:
    df2, df1 = df_b.copy(), df_a.copy()

# Pour df1, on s'assure que la colonne DistrictofResidence est en majuscules et nettoyée
if "DistrictofResidence" in df1.columns:
    df1["DistrictofResidence"] = df1["DistrictofResidence"].str.upper().str.strip()

# Harmonisation des colonnes dans df2
df2.rename(columns={
    "organisationunitname": "DistrictofResidence",
    "periodname": "Semaine_Epi",
    "MAPE16_H_19.Rougeole": "MAPE"
}, inplace=True)

# Nettoyer la colonne DistrictofResidence dans df2 :
# - Suppression du mot-clé "District" ou "district" en début de chaîne (avec insensibilité à la casse)
# - Transformation en majuscules et suppression des espaces inutiles
df2["DistrictofResidence"] = df2["DistrictofResidence"].str.replace(r'^district\s*', '',
                                                                    flags=re.IGNORECASE, regex=True).str.upper().str.strip()


# Conversion de la colonne MAPE en numérique
df2["MAPE"] = pd.to_numeric(df2["MAPE"], errors='coerce')

# Normalisation de la colonne "Semaine_Epi" pour extraire le chiffre
df2["Semaine_Epi"] = df2["Semaine_Epi"].astype(str).str.extract(r'(\d+)')[0].astype(int)

# Fusion des données sur "DistrictofResidence" et "Semaine_Epi"
df = pd.merge(df1, df2, on=["DistrictofResidence", "Semaine_Epi"], how="outer")

# Titre de l'application
st.markdown("<h1 style='text-align: center; color: #2C3E50;'>📊 Tableau de Bord de l'Épidémie</h1>",
            unsafe_allow_html=True)

# Filtres dans la sidebar
st.sidebar.header("Filtres")
districts = st.sidebar.multiselect("🏠 Sélectionner un district", sorted(df["DistrictofResidence"].dropna().unique()))
weeks = st.sidebar.multiselect("📅 Sélectionner une semaine", sorted(df["Semaine_Epi"].unique()))

# Filtrage des données
filtered_df = df.copy()
if districts:
    filtered_df = filtered_df[filtered_df["DistrictofResidence"].isin(districts)]
if weeks:
    filtered_df = filtered_df[filtered_df["Semaine_Epi"].isin(weeks)]

# Statistiques clés
st.subheader("📌 Statistiques Clés")
st.markdown("<hr>", unsafe_allow_html=True)
col1, col2, col3 = st.columns(3)
with col1:
    st.metric("🧪 Total IgM+", filtered_df["Igm+"].sum())
    st.metric("📄 Total Line List", filtered_df["Line list"].sum())
with col2:
    st.metric("❌ Total Rejetés", filtered_df["REJETE"].sum())
    st.metric("🔵 Total MAPE", filtered_df["MAPE"].sum())
with col3:
    st.metric("🟠 Total Compatibles", filtered_df["Compatible"].sum())

# Assurer que les semaines sont de 1 à 10
all_weeks = pd.DataFrame({"Semaine_Epi": range(1, 11)})
time_series = filtered_df.groupby("Semaine_Epi")[
    ["Igm+", "REJETE", "Compatible", "Line list", "MAPE"]].sum().reset_index()
time_series = all_weeks.merge(time_series, on="Semaine_Epi", how="left").fillna(0)

# Création du graphique avec affichage des valeurs sur chaque segment
fig = px.bar(
    time_series,
    x="Semaine_Epi",
    y=["Igm+", "REJETE", "Compatible", "Line list", "MAPE"],
    title="📊 Évolution des différents cas",
    color_discrete_map={
        "Igm+": "red",
        "REJETE": "green",
        "Compatible": "orange",
        "Line list": "yellow",
        "MAPE": "blue"
    },
    barmode="stack",
    text_auto=True  # Affiche les valeurs sur chaque bande
)
fig.update_layout(
    xaxis=dict(tickmode='array', tickvals=list(range(1, 11)), ticktext=[str(i) for i in range(1, 11)])
)

# Affichage du graphique
st.plotly_chart(fig, use_container_width=True)

# Possibilité de télécharger le graphique sous forme d'image PNG
# Pour cela, Plotly nécessite l'installation de kaleido : pip install -U kaleido
img_bytes = fig.to_image(format="png")
st.download_button(
    label="Télécharger le graphique",
    data=img_bytes,
    file_name="graphique.png",
    mime="image/png"
)

# Affichage des données filtrées dans un tableau
st.subheader("📋 Données Filtrées")
st.markdown("<hr>", unsafe_allow_html=True)
st.dataframe(filtered_df, use_container_width=True)