# -*- coding: utf-8 -*-
"""Untitled0.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/1lA4vvx9sbWFfjQHAmGs8ADgwhNOypfsM
"""

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import gradio as gr
import io
import base64
from datetime import datetime
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score, mean_squared_error
import tempfile

print("🚀 Iniciando GeoPredict en Hugging Face...")

# ==============================================================================
# BLOQUE 1: ENTRENAMIENTO DEL MODELO (se ejecuta al iniciar)
# ==============================================================================

print("📂 Cargando y entrenando modelos...")

# Cargar datos
df = pd.read_excel('base_datos.xlsx')

# Limpieza robusta
df['N60'] = pd.to_numeric(df['N60'], errors='coerce')
df['φ_grados'] = pd.to_numeric(df['φ_grados'], errors='coerce')
df['Densidad_relativa'] = df['Densidad_relativa'].astype(str).str.replace(r'[-%]', '', regex=True)
df['Densidad_relativa'] = pd.to_numeric(df['Densidad_relativa'], errors='coerce')
df['Cu/Su (KPa)'] = pd.to_numeric(df['Cu/Su (KPa)'], errors='coerce')
df = df.dropna(subset=['MATERIAL', 'N60'], how='all')

# Configuración de modelos
config = [
    ('ARENA', 'φ_grados', 'Ángulo de fricción (φ)', 'grados'),
    ('GRAVA', 'φ_grados', 'Ángulo de fricción (φ)', 'grados'),
    ('ARCILLA', 'Cu/Su (KPa)', 'Resistencia no drenada (Cu/Su)', 'kPa'),
    ('ARENA', 'Densidad_relativa', 'Densidad relativa (Dr)', 'decimal'),
    ('GRAVA', 'Densidad_relativa', 'Densidad relativa (Dr)', 'decimal')
]

modelos_rf = {}

for material, col_y, nombre_prop, unidad in config:
    print(f"🧠 Entrenando: {material} → {nombre_prop}")
    df_mat = df[df['MATERIAL'] == material].copy()
    X = df_mat[['N60']]
    y = df_mat[col_y]

    mask = y.notnull()
    X, y = X[mask], y[mask]

    if len(X) < 5:
        print(f"  ⚠️ Pocos datos. Saltando...")
        continue

    # Entrenar Random Forest
    model = RandomForestRegressor(n_estimators=100, random_state=42)
    model.fit(X, y)

    # Evaluar
    y_pred = model.predict(X)
    r2 = r2_score(y, y_pred)
    rmse = np.sqrt(mean_squared_error(y, y_pred))

    # Guardar modelo
    clave = f"{material}_{col_y}"
    modelos_rf[clave] = {
        'modelo': model,
        'R2': r2,
        'RMSE': rmse,
        'unidad': unidad,
        'propiedad': nombre_prop,
        'X_train': X.values.flatten(),
        'y_train': y.values.flatten()
    }

print("✅ Modelos entrenados correctamente")

# ==============================================================================
# BLOQUE 2: CONFIGURACIÓN Y FUNCIONES PARA GRADIO
# ==============================================================================

# Configuración profesional de matplotlib
plt.rcParams['font.size'] = 12
plt.rcParams['axes.grid'] = True
plt.rcParams['grid.alpha'] = 0.3

# RANGOS por material
RANGOS_MATERIAL = {
    'ARENA': {'min': 1, 'max': 60, 'defecto': 25, 'rango_real': "1-60"},
    'GRAVA': {'min': 5, 'max': 100, 'defecto': 40, 'rango_real': "5-100"},
    'ARCILLA': {'min': 5, 'max': 30, 'defecto': 15, 'rango_real': "5-30"}
}

def predecir_propiedades_completo(material, n60, nombre_ing, ubicacion, proyecto):
    """Función completa para predicciones profesionales"""

    try:
        # Validar rango
        rango = RANGOS_MATERIAL[material]
        if n60 < rango['min'] or n60 > rango['max']:
            raise ValueError(f"N60 = {n60} fuera del rango válido para {material} ({rango['min']}-{rango['max']})")

        predicciones = {}
        graficas_base64 = []
        detalles_modelo = []

        if material in ['ARENA', 'GRAVA']:
            # Predicción para φ
            clave_phi = f"{material}_φ_grados"
            if clave_phi in modelos_rf:
                info = modelos_rf[clave_phi]
                phi_pred = info['modelo'].predict([[n60]])[0]
                predicciones['Ángulo de Fricción (φ)'] = {
                    'valor': f"{phi_pred:.1f}°",
                    'valor_num': phi_pred,
                    'r2': info['R2'],
                    'rmse': info['RMSE']
                }

                # Gráfica para φ
                fig, ax = plt.subplots(figsize=(10, 6))

                sample_size = min(50, len(info['X_train']))
                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
                X_sample = info['X_train'][sample_indices]
                y_sample = info['y_train'][sample_indices]

                ax.scatter(X_sample, y_sample, alpha=0.7, color='steelblue', s=60,
                          label='Datos de Campo', edgecolors='white', linewidth=0.5)

                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
                y_plot = info['modelo'].predict(N60_plot)
                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')

                ax.scatter([n60], [phi_pred], color='red', s=150, zorder=5,
                          marker='*', label=f'Predicción: {phi_pred:.1f}°')

                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
                ax.axhline(y=phi_pred, color='red', linestyle='--', alpha=0.5)

                ax.set_title(f'{material}: Ángulo de Fricción (φ)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.2f}',
                            fontsize=14, fontweight='bold')
                ax.set_xlabel('N60 (SPT)', fontsize=12)
                ax.set_ylabel('φ (grados)', fontsize=12)
                ax.legend()
                ax.grid(True, alpha=0.3)

                plt.tight_layout()
                buf = io.BytesIO()
                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
                buf.seek(0)
                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
                plt.close()

            # Predicción para Dr
            clave_dr = f"{material}_Densidad_relativa"
            if clave_dr in modelos_rf:
                info = modelos_rf[clave_dr]
                dr_pred = info['modelo'].predict([[n60]])[0] * 100
                predicciones['Densidad Relativa (Dr)'] = {
                    'valor': f"{dr_pred:.1f}%",
                    'valor_num': dr_pred,
                    'r2': info['R2'],
                    'rmse': info['RMSE']
                }

                # Gráfica para Dr
                fig, ax = plt.subplots(figsize=(10, 6))

                sample_size = min(50, len(info['X_train']))
                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
                X_sample = info['X_train'][sample_indices]
                y_sample = info['y_train'][sample_indices] * 100

                ax.scatter(X_sample, y_sample, alpha=0.7, color='green', s=60,
                          label='Datos de Campo', edgecolors='white', linewidth=0.5)

                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
                y_plot = info['modelo'].predict(N60_plot) * 100
                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')

                ax.scatter([n60], [dr_pred], color='red', s=150, zorder=5,
                          marker='*', label=f'Predicción: {dr_pred:.1f}%')

                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
                ax.axhline(y=dr_pred, color='red', linestyle='--', alpha=0.5)

                ax.set_title(f'{material}: Densidad Relativa (Dr)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.3f}',
                            fontsize=14, fontweight='bold')
                ax.set_xlabel('N60 (SPT)', fontsize=12)
                ax.set_ylabel('Dr (%)', fontsize=12)
                ax.legend()
                ax.grid(True, alpha=0.3)

                plt.tight_layout()
                buf = io.BytesIO()
                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
                buf.seek(0)
                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
                plt.close()

        elif material == 'ARCILLA':
            clave_cu = "ARCILLA_Cu/Su (KPa)"
            if clave_cu in modelos_rf:
                info = modelos_rf[clave_cu]
                cu_pred = info['modelo'].predict([[n60]])[0]
                predicciones['Resistencia No Drenada (Cu)'] = {
                    'valor': f"{cu_pred:.1f} kPa",
                    'valor_num': cu_pred,
                    'r2': info['R2'],
                    'rmse': info['RMSE']
                }

                # Gráfica para Cu
                fig, ax = plt.subplots(figsize=(10, 6))

                sample_size = min(50, len(info['X_train']))
                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
                X_sample = info['X_train'][sample_indices]
                y_sample = info['y_train'][sample_indices]

                ax.scatter(X_sample, y_sample, alpha=0.7, color='coral', s=60,
                          label='Datos de Campo', edgecolors='white', linewidth=0.5)

                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
                y_plot = info['modelo'].predict(N60_plot)
                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')

                ax.scatter([n60], [cu_pred], color='red', s=150, zorder=5,
                          marker='*', label=f'Predicción: {cu_pred:.1f} kPa')

                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
                ax.axhline(y=cu_pred, color='red', linestyle='--', alpha=0.5)

                ax.set_title(f'Arcilla: Resistencia No Drenada (Cu)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.2f}',
                            fontsize=14, fontweight='bold')
                ax.set_xlabel('N60 (SPT)', fontsize=12)
                ax.set_ylabel('Cu (kPa)', fontsize=12)
                ax.legend()
                ax.grid(True, alpha=0.3)

                plt.tight_layout()
                buf = io.BytesIO()
                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
                buf.seek(0)
                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
                plt.close()

        # Generar reporte HTML
        reporte_html = generar_reporte_completo(predicciones, graficas_base64, material, n60, nombre_ing, ubicacion, proyecto)

        # HTML para mostrar en la interfaz
        resultados_html = f"""
        <div style="background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
                    color: white; padding: 20px; border-radius: 10px; margin-bottom: 20px;">
            <h2 style="margin: 0; text-align: center;">🏗️ GeoPredict SPTro - Resultados</h2>
            <p style="text-align: center; margin: 5px 0 0 0; opacity: 0.9;">
                {material} | N60 = {n60} | {datetime.now().strftime('%d/%m/%Y %H:%M')}
            </p>
        </div>

        <div style="background: #fff3cd; color: #856404; padding: 15px; border-radius: 8px;
                    border: 1px solid #ffeaa7; margin: 15px 0;">
            <strong>📏 Rango del modelo:</strong> N60 = {rango['min']}-{rango['max']}
        </div>

        <div style="background: #f8f9fa; padding: 20px; border-radius: 8px; margin: 15px 0;">
            <h3 style="color: #2c3e50; margin-top: 0;">📊 Predicciones</h3>
            <div style="display: grid; grid-template-columns: repeat(auto-fit, minmax(250px, 1fr)); gap: 15px;">
        """

        for prop, data in predicciones.items():
            resultados_html += f"""
                <div style="background: white; padding: 15px; border-radius: 8px;
                          border-left: 4px solid #667eea; box-shadow: 0 2px 4px rgba(0,0,0,0.1);">
                    <div style="font-weight: bold; color: #2c3e50; margin-bottom: 5px;">{prop}</div>
                    <div style="font-size: 1.4em; font-weight: bold; color: #667eea;">{data['valor']}</div>
                    <div style="font-size: 0.9em; color: #666; margin-top: 5px;">R² = {data['r2']:.3f}</div>
                </div>
            """

        resultados_html += """
            </div>
        </div>
        """

        # Gráficas HTML
        graficas_html = "<div style='margin-top: 20px;'>"
        for img_base64 in graficas_base64:
            graficas_html += f"""
            <div style="background: white; padding: 15px; border-radius: 8px; margin: 15px 0;
                      box-shadow: 0 2px 8px rgba(0,0,0,0.1);">
                <img src="data:image/png;base64,{img_base64}"
                     style="max-width: 100%; height: auto; border-radius: 5px;">
            </div>
            """
        graficas_html += "</div>"

        return resultados_html, graficas_html, reporte_html

    except Exception as e:
        error_html = f"""
        <div style="background: #f8d7da; color: #721c24; padding: 20px; border-radius: 8px;
                    border: 1px solid #f5c6cb; margin: 20px 0;">
            <h3 style="margin: 0 0 10px 0;">❌ Error en la predicción</h3>
            <p style="margin: 0;">{str(e)}</p>
        </div>
        """
        return error_html, "", ""

def generar_reporte_completo(predicciones, graficas_base64, material, n60, nombre_ing, ubicacion, proyecto):
    """Genera reporte HTML completo"""
    html_content = f"""<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>Reporte Geotécnico - GeoPredict Pro</title>
    <style>
        body {{ font-family: Arial, sans-serif; line-height: 1.6; color: #333; max-width: 1200px; margin: 0 auto; padding: 20px; }}
        .header {{ background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 30px; border-radius: 15px; text-align: center; margin-bottom: 30px; }}
        .prediction-card {{ background: #667eea; color: white; padding: 20px; border-radius: 10px; text-align: center; margin: 10px; }}
        .section {{ background: white; padding: 20px; margin: 20px 0; border-radius: 10px; box-shadow: 0 2px 5px rgba(0,0,0,0.1); }}
        .graph-container {{ text-align: center; margin: 20px 0; }}
        .graph-container img {{ max-width: 100%; height: auto; }}
    </style>
</head>
<body>
    <div class="header">
        <h1>🏗️ GeoPredict SPTro - Reporte Geotécnico</h1>
        <p>{material} | N60 = {n60} | {datetime.now().strftime('%d/%m/%Y %H:%M')}</p>
    </div>

    <div class="section">
        <h2>📋 Información del Proyecto</h2>
        <p><strong>Proyecto:</strong> {proyecto}</p>
        <p><strong>Ubicación:</strong> {ubicacion}</p>
        <p><strong>Ingeniero:</strong> {nombre_ing}</p>
        <p><strong>Material:</strong> {material}</p>
        <p><strong>N60 (SPT):</strong> {n60}</p>
        <p><strong>Fecha:</strong> {datetime.now().strftime('%d/%m/%Y %H:%M')}</p>
    </div>

    <div class="section">
        <h2>📊 Resultados de Predicción</h2>
        <div style="display: flex; flex-wrap: wrap;">
    """

    for prop, data in predicciones.items():
        html_content += f"""
            <div class="prediction-card">
                <h3>{prop}</h3>
                <div style="font-size: 2em; font-weight: bold;">{data['valor']}</div>
                <div>R² = {data['r2']:.3f}</div>
            </div>
        """

    html_content += """
        </div>
    </div>
    """

    if graficas_base64:
        html_content += """
    <div class="section">
        <h2>📊 Gráficas de Análisis</h2>
        """
        for img_base64 in graficas_base64:
            html_content += f"""
        <div class="graph-container">
            <img src="data:image/png;base64,{img_base64}" alt="Gráfica de análisis">
        </div>
            """
        html_content += """
    </div>
        """

    html_content += f"""
    <div class="section" style="text-align: center; background: #f8f9fa;">
        <p><strong>GeoPredict Pro</strong> - Sistema de Predicción Geotécnica con IA</p>
        <p>Reporte generado automáticamente el {datetime.now().strftime('%d/%m/%Y')}</p>
    </div>
</body>
</html>"""
    return html_content

# ==============================================================================
# BLOQUE 3: INTERFAZ GRADIO
# ==============================================================================

with gr.Blocks(theme=gr.themes.Soft(), title="GeoPredict SPTpro") as demo:

    gr.Markdown("""
    # 🏗️ GeoPredict SPTpro
    ### Sistema Profesional de Predicción Geotécnica con IA
    """)

    with gr.Row():
        with gr.Column(scale=1):
            gr.Markdown("### ⚙️ Parámetros de Entrada")

            material = gr.Dropdown(
                ["ARENA", "GRAVA", "ARCILLA"],
                label="🎯 Material del Suelo",
                value="ARENA",
                info="Seleccione el tipo de material"
            )

            n60 = gr.Slider(
                1, 100, value=25, step=1,
                label="🔢 Valor N60 (SPT)",
                info="Rango completo: 1-100"
            )

            nombre_ing = gr.Textbox(
                label="👤 Ingeniero Responsable",
                value="Ing. Geotécnico",
                placeholder="Ingrese su nombre"
            )

            ubicacion = gr.Textbox(
                label="📍 Ubicación del Proyecto",
                value="Sitio de Estudio",
                placeholder="Ubicación del proyecto"
            )

            proyecto = gr.Textbox(
                label="🏢 Nombre del Proyecto",
                value="Proyecto de Infraestructura",
                placeholder="Nombre oficial del proyecto"
            )

            btn_predict = gr.Button(
                "🚀 Ejecutar Predicción",
                size="lg",
                variant="primary"
            )

        with gr.Column(scale=2):
            gr.Markdown("### 📊 Resultados del Análisis")
            resultados = gr.HTML(label="Predicciones")
            graficas = gr.HTML(label="Gráficas del Modelo")

            gr.Markdown("### 💾 Descargar Reporte")
            descarga_html = gr.HTML("""
            <div style="background: #d4edda; color: #155724; padding: 15px; border-radius: 8px;
                        border: 1px solid #c3e6cb; text-align: center;">
                <p style="margin: 0;">📄 Ejecuta una predicción para generar el reporte</p>
            </div>
            """)

            descarga_btn = gr.Button(
                "📥 Descargar Reporte HTML",
                size="lg",
                variant="secondary",
                visible=False
            )

            archivo_descarga = gr.File(
                label="Reporte Geotécnico",
                visible=False
            )

    # Ejemplos
    gr.Markdown("### 🚀 Ejemplos Rápidos")
    with gr.Row():
        gr.Examples(
            examples=[
                ["ARENA", 25, "Ing. Ejemplo", "Ciudad Ejemplo", "Edificio Corporativo"],
                ["GRAVA", 60, "Ing. Ejemplo", "Zona Industrial", "Planta de Producción"],
                ["ARCILLA", 15, "Ing. Ejemplo", "Área Residencial", "Conjunto Habitacional"]
            ],
            inputs=[material, n60, nombre_ing, ubicacion, proyecto]
        )

    # Variable para almacenar el reporte actual
    reporte_actual = gr.State("")

    # Función principal
    def procesar_prediccion(material, n60, nombre_ing, ubicacion, proyecto):
        resultados_html, graficas_html, reporte_html = predecir_propiedades_completo(
            material, n60, nombre_ing, ubicacion, proyecto
        )

        mostrar_descarga = reporte_html != ""

        return resultados_html, graficas_html, gr.Button(visible=mostrar_descarga), reporte_html

    # Función para descargar
    def generar_descarga(reporte_html):
        if reporte_html:
            filename = "reporte_geotecnico.html"
            temp_file = tempfile.NamedTemporaryFile(delete=False, suffix='.html', mode='w', encoding='utf-8')
            temp_file.write(reporte_html)
            temp_file.close()
            return gr.File(value=temp_file.name, label=filename, visible=True)
        return gr.File(visible=False)

    # Conectar botones
    btn_predict.click(
        fn=procesar_prediccion,
        inputs=[material, n60, nombre_ing, ubicacion, proyecto],
        outputs=[resultados, graficas, descarga_btn, reporte_actual]
    )

    descarga_btn.click(
        fn=generar_descarga,
        inputs=[reporte_actual],
        outputs=[archivo_descarga]
    )

# ==============================================================================
# EJECUCIÓN PRINCIPAL
# ==============================================================================

if __name__ == "__main__":
    demo.launch(
        debug=False,
        show_error=True,
        server_name="0.0.0.0",  # ← AÑADE ESTO
        server_port=7860        # ← AÑADE ESTO
    )