import streamlit as st
from PIL import Image
import pandas as pd
import numpy as np
import base64
import joblib 
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
import random


# Configura o pandas para exibir floats com 2 casas decimais
pd.set_option('display.float_format', '{:.2f}'.format)

# Page configuration
st.set_page_config(
    page_title="Viabilidade",
    page_icon="🔎",
    layout="wide",
    initial_sidebar_state="expanded"
)

def validar_e_transformar_dados(novos_dados: pd.DataFrame):
    # 1. Carregar encoders se existirem
    try:
        label_encoders = joblib.load(f'modelo/label_encoders.joblib')
    except FileNotFoundError:
        label_encoders = {}

    # 2. Carregar preprocessor
    preprocessor = joblib.load(f'modelo/modelo_preprocessor.joblib')

    # 3. Obter colunas do treinamento
    try:
        colunas_numericas = preprocessor.transformers_[0][2]
    except:
        colunas_numericas = []

    colunas_categoricas = list(label_encoders.keys())
    todas_colunas_esperadas = colunas_numericas + colunas_categoricas

    # 4. Validar colunas
    if set(novos_dados.columns) != set(todas_colunas_esperadas):
        raise ValueError(f"\n❌ Colunas esperadas: {todas_colunas_esperadas}\n🔴 Encontradas: {novos_dados.columns.tolist()}")

    # 5. Aplicar LabelEncoders
    for col, encoder in label_encoders.items():
        novos_dados[col] = encoder.transform(novos_dados[col])

    # 6. Aplicar scaler
    dados_transformados = preprocessor.transform(novos_dados)

    print("Transformação de novos dados concluída.")
    return dados_transformados


# Função para codificar a imagem em base64
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode('utf-8')


# Interface do Streamlit

logo = Image.open('img/logo.png')
img = Image.open('img/fundo1.png')

image_path="fundo.png"
img.save(image_path)
# Getting the base64 string
base64_image = encode_image(image_path)
# Usando HTML para centralizar a imagem
st.markdown(
        f"""
        <div style="display: flex; justify-content: center;">
            <img src="data:image/png;base64,{base64_image}" alt="Imagem" style="width: 50%; height: auto;">
        </div>
        """,
        unsafe_allow_html=True
    )

st.sidebar.image(logo, caption="", use_container_width=True)

html_page_title = """
<div style="background-color:black;padding=60px">
        <p style='text-align:center;font-size:50px;font-weight:bold; color:white'>Estudo de Viabilidade de Projeto</p>
</div>
"""               
st.sidebar.markdown(html_page_title, unsafe_allow_html=True)



html_page_mensagem1 = """
<div style="background-color:black;padding=20px">
        <p style='text-align:center;font-size:20px;font-weight:bold; color:white'>Enviar a Planilha CSV com as seguintes informações</p>
</div>
"""               
st.markdown(html_page_mensagem1, unsafe_allow_html=True)

html_page_mensagem2 = """
<div style="background-color:black;padding=20px">
        <p style='text-align:center;font-size:18px;font-weight:bold; color:white'>investimento, preco, custo_variavel, demanda_1, demanda_2, demanda_3, demanda_4, demanda_5, selic</p>
</div>
"""               
st.markdown(html_page_mensagem2, unsafe_allow_html=True)



uploaded_files = st.file_uploader(
        "Selecione a planilha",
        type=["csv"],  # Tipos de arquivo permitidos
        accept_multiple_files=False # Permite upload de vários arquivos
    )


if  uploaded_files is not None:
    st.write(uploaded_files.name)
    
    df = pd.read_csv(uploaded_files)
    colunas = ['investimento', 'preco', 'custo_variavel', 'demanda_1', 'demanda_2', 'demanda_3', 'demanda_4', 'demanda_5', 'selic']
    df = df[colunas]
    st.table(df.head())
    size = df.shape[0]
    st.write(f"Primeiras 5 linhas de {size}")


    if st.button("Sortear dados"):
        indice = random.randint(0, len(df) - 1)
        st.write(f"Índice sorteado: {indice}")
        df_teste = df.iloc[indice].to_frame(name='Dados para Teste').T
        st.table(df_teste)
    

    
        #if st.button("Analisar dados 🔍", type="primary"):
        with st.spinner("Processando imagens..."):
            # Processar novos dados para o modelo avaliar
            preprocessed_data = validar_e_transformar_dados(df_teste)
            # Carregar o modelo treinado e avaliado
            best_model = joblib.load('modelo/best_model.joblib')
            # Agora você pode usar 'preprocessed_data' para fazer previsões:
            predictions = np.argmax(best_model.predict(preprocessed_data), axis=1)

            if predictions: # 1
                st.subheader(f' 🏅 Pode comprar a champanhe!!!')
                st.balloons()
                
            else:
                st.subheader(" 😮 Pense melhor nisso.")
                st.snow()           
            
            
            
else:
    st.info("Nenhuma planilha carregada ainda.")