app_bayesian.py

import streamlit as st
import pandas as pd
import uuid
from datetime import datetime, timedelta
import atexit
import os
import sys

# 頁面配置
st.set_page_config(
    page_title="Bayesian Hierarchical Model - Pokémon Speed Analysis",
    page_icon="🎲",
    layout="wide",
    initial_sidebar_state="expanded"
)

# 自定義 CSS
st.markdown("""
<style>
    .streamlit-expanderHeader {
        background-color: #e8f1f8;
        border: 1px solid #b0cfe8;
        border-radius: 5px;
        font-weight: 600;
        color: #1b4f72;
    }
    .streamlit-expanderHeader:hover {
        background-color: #d0e7f8;
    }
    .stMetric {
        background-color: #f8fbff;
        padding: 10px;
        border-radius: 5px;
        border: 1px solid #d0e4f5;
    }
    .stButton > button {
        width: 100%;
        border-radius: 20px;
        font-weight: 600;
        transition: all 0.3s ease;
    }
    .stButton > button:hover {
        transform: translateY(-2px);
        box-shadow: 0 4px 8px rgba(0,0,0,0.2);
    }
    .success-box {
        background-color: #d4edda;
        border: 1px solid #c3e6cb;
        border-radius: 5px;
        padding: 10px;
        margin: 10px 0;
    }
    .warning-box {
        background-color: #fff3cd;
        border: 1px solid #ffeaa7;
        border-radius: 5px;
        padding: 10px;
        margin: 10px 0;
    }
</style>
""", unsafe_allow_html=True)

# 導入自定義模組
from bayesian_core import BayesianHierarchicalAnalyzer
# 注意：如果要啟用 DAG 動態生成功能，請將下行改為：
# from bayesian_llm_assistant_enhanced import BayesianLLMAssistant
from bayesian_llm_assistant import BayesianLLMAssistant
from bayesian_utils import (
    plot_trace,
    plot_posterior,
    plot_forest,
    plot_model_dag,
    create_summary_table,
    create_trial_results_table,
    export_results_to_text,
    plot_odds_ratio_comparison
)

# 清理函數
def cleanup_old_sessions():
    """清理超過 1 小時的 session"""
    current_time = datetime.now()
    for session_id in list(BayesianHierarchicalAnalyzer._session_results.keys()):
        result = BayesianHierarchicalAnalyzer._session_results.get(session_id)
        if result:
            result_time = datetime.fromisoformat(result['timestamp'])
            if current_time - result_time > timedelta(hours=1):
                BayesianHierarchicalAnalyzer.clear_session_results(session_id)

# 註冊清理函數
atexit.register(cleanup_old_sessions)

# 初始化 session state
if 'session_id' not in st.session_state:
    st.session_state.session_id = str(uuid.uuid4())
if 'analysis_results' not in st.session_state:
    st.session_state.analysis_results = None
if 'chat_history' not in st.session_state:
    st.session_state.chat_history = []
if 'analyzer' not in st.session_state:
    st.session_state.analyzer = None
if 'trace_img' not in st.session_state:
    st.session_state.trace_img = None
if 'posterior_img' not in st.session_state:
    st.session_state.posterior_img = None
if 'forest_img' not in st.session_state:
    st.session_state.forest_img = None
if 'dag_img' not in st.session_state:
    st.session_state.dag_img = None

# 標題
st.title("🎲 Bayesian Hierarchical Model Analysis")
st.markdown("### 貝氏統合分析模型")
st.markdown("---")

# Sidebar
with st.sidebar:
    st.header("⚙️ 配置設定")
    
    # API 選擇
    api_choice = st.radio(
        "選擇 LLM API",
        options=["Google Gemini", "Anthropic Claude"],
        index=0,
        help="選擇要使用的 AI 助手"
    )
    
    # API Key 輸入
    if api_choice == "Google Gemini":
        api_key = st.text_input(
            "Google Gemini API Key",
            type="password",
            help="輸入您的 Google Gemini API Key"
        )
    else:  # Claude
        api_key = st.text_input(
            "Anthropic Claude API Key",
            type="password",
            help="輸入您的 Anthropic API Key (https://console.anthropic.com)"
        )
    
    if api_key:
        st.session_state.api_key = api_key
        st.session_state.api_choice = api_choice  # 新增：儲存 API 選擇
        st.success(f"✅ {api_choice} API Key 已載入")
    
    st.markdown("---")
    
    # MCMC 參數設定
    st.subheader("🔬 蒙地卡羅馬可夫鏈 參數")
    
    n_samples = st.number_input(
        "抽樣數 (Samples)",
        min_value=500,
        max_value=10000,
        value=2000,
        step=500,
        help="每條鏈的抽樣數量"
    )
    
    n_tune = st.number_input(
        "Burn-in",
        min_value=200,
        max_value=5000,
        value=1000,
        step=200,
        help="Burn-in 的樣本數"
    )
    
    n_chains = st.selectbox(
        "鏈數 (Chains)",
        options=[1, 2, 4],
        index=1,
        help="平行運行的鏈數"
    )
    
    target_accept = st.slider(
        "目標接受率",
        min_value=0.80,
        max_value=0.99,
        value=0.95,
        step=0.01,
        help="NUTS 採樣器的目標接受率"
    )
    
    st.markdown("---")
    
    # 清理按鈕
    if st.button("🧹 清理過期資料"):
        cleanup_old_sessions()
        st.success("✅ 清理完成")
        st.rerun()
    
    st.markdown("---")
    
    # 資料來源選擇
    st.subheader("📊 資料來源")
    data_source = st.radio(
        "選擇資料來源：",
        ["使用預設資料集", "上傳您的資料"]
    )
    
    uploaded_file = None
    if data_source == "上傳您的資料":
        uploaded_file = st.file_uploader(
            "上傳 CSV 檔案",
            type=['csv'],
            help="上傳寶可夢速度對戰資料"
        )
        
        with st.expander("📖 資料格式說明"):
            st.markdown("""
            **必要欄位格式：**
            - `Trial_Type`: 配對名稱（例如：Pair_1, Pair_2）
            - `rt`: 火系（治療組）的勝場數
            - `nt`: 火系的總場數
            - `rc`: 水系（對照組）的勝場數
            - `nc`: 水系的總場數
            
            **範例：**
            ```
            Trial_Type,rt,nt,rc,nc
            Pair_1,122,133,22,145
            Pair_2,85,132,17,135
            Pair_3,52,129,41,134
            ```
            """)   
            
    st.markdown("---")
    
    
    # 關於系統
    with st.expander("ℹ️ 關於此系統"):
        st.markdown("""
        **貝氏階層模型分析系統**
        
        本系統使用貝氏階層模型來分析速度對寶可夢勝率的影響，
        並考慮不同屬性之間的異質性。
        
        **主要功能：**
        - 🎲 貝氏推論與後驗分佈
        - 📊 階層模型（借用資訊）
        - 📈 4 種視覺化圖表
        - 💬 AI 助手解釋
        - 🎮 屬性對抗策略建議

        **適用場景：**
        - 分析火系對水系的配對勝率
        - 理解不同配對間的異質性
        - 評估屬性優劣勢
        """)

# 主要內容區 - 雙 Tab
tab1, tab2 = st.tabs(["📊 貝氏分析", "💬 AI 助手"])

# Tab 1: 貝氏分析
with tab1:
    st.header("📊 貝氏統合分析模型")
    
    # 載入資料
    if data_source == "使用預設資料集":
        # 檢查預設資料是否存在
        default_data_path = "fire_water_converted.csv"
        if os.path.exists(default_data_path):
            df = pd.read_csv(default_data_path)
            st.success(f"✅ 已載入預設資料集（{len(df)} 組配對）")
        else:
            st.warning("⚠️ 找不到預設資料集，請上傳您的資料")
            df = None
    else:
        if uploaded_file is not None:
            df = pd.read_csv(uploaded_file)
            st.success(f"✅ 已載入資料（{len(df)} 組配對）")
        else:
            df = None
            st.info("📁 請在左側上傳 CSV 檔案")
    
    if df is not None:
        # 顯示資料預覽
        with st.expander("👀 資料預覽"):
            st.dataframe(df, use_container_width=True)
        
        st.markdown("---")
        
        # 分析按鈕
        col1, col2, col3 = st.columns([1, 2, 1])
        
        with col2:
            analyze_button = st.button(
                "🔬 開始貝氏分析",
                type="primary",
                use_container_width=True
            )
        
        # 執行分析
        if analyze_button:
            with st.spinner(f"正在執行貝氏分析... (抽樣 {n_samples} × {n_chains} 條鏈)"):
                try:
                    # 初始化分析器
                    if st.session_state.analyzer is None:
                        st.session_state.analyzer = BayesianHierarchicalAnalyzer(st.session_state.session_id)
                    
                    # 載入資料
                    st.session_state.analyzer.load_data(df)
                    
                    # 執行分析
                    results = st.session_state.analyzer.run_analysis(
                        n_samples=n_samples,
                        n_tune=n_tune,
                        n_chains=n_chains,
                        target_accept=target_accept
                    )
                    
                    st.session_state.analysis_results = results
                    
                    # 生成圖表
                    with st.spinner("生成視覺化圖表..."):
                        st.session_state.trace_img = plot_trace(st.session_state.analyzer.trace)
                        st.session_state.posterior_img = plot_posterior(st.session_state.analyzer.trace)
                        st.session_state.forest_img = plot_forest(
                            st.session_state.analyzer.trace,
                            results['trial_labels']
                        )
                        st.session_state.dag_img = plot_model_dag(st.session_state.analyzer)
                    
                    st.success("✅ 分析完成！")
                    st.balloons()
                    
                except Exception as e:
                    st.error(f"❌ 分析失敗: {str(e)}")
        
        # 顯示結果
        if st.session_state.analysis_results is not None:
            results = st.session_state.analysis_results
            
            st.markdown("---")
            st.subheader("📊 分析結果")
            
            # 創建 4 個子頁面
            result_tabs = st.tabs([
                "📊 概覽",
                "📈 Trace & Posterior",
                "🌲 Forest Plot",
                "🔍 DAG 模型圖",
                "📋 詳細報告"
            ])
            
            # Tab: 概覽
            with result_tabs[0]:
                st.markdown("### 🎯 整體效應摘要")
                
                overall = results['overall']
                interp = results['interpretation']
                
                # 關鍵指標
                col1, col2, col3 = st.columns(3)
                
                with col1:
                    st.metric(
                        "d (整體效應)",
                        f"{overall['d_mean']:.4f}",
                        delta=f"HDI: [{overall['d_hdi_low']:.3f}, {overall['d_hdi_high']:.3f}]"
                    )
                
                with col2:
                    st.metric(
                        "勝算比 (OR)",
                        f"{overall['or_mean']:.3f}",
                        delta=f"HDI: [{overall['or_hdi_low']:.3f}, {overall['or_hdi_high']:.3f}]"
                    )
                
                with col3:
                    st.metric(
                        "sigma (異質性)",
                        f"{overall['sigma_mean']:.4f}",
                        delta=f"HDI: [{overall['sigma_hdi_low']:.3f}, {overall['sigma_hdi_high']:.3f}]"
                    )
                
                st.markdown("---")
                
                # 結果解釋
                st.markdown("### 📖 結果解釋")
                
                st.info(f"""
                **整體效應**: {interp['overall_effect']}
                
                **顯著性**: {interp['overall_significance']}
                
                **效果大小**: {interp['effect_size']}
                
                **異質性**: {interp['heterogeneity']}
                """)
                
                st.markdown("---")
                
                # 收斂診斷
                st.markdown("### 🔍 模型收斂診斷")
                
                diag = results['diagnostics']
                
                col1, col2 = st.columns(2)
                
                with col1:
                    st.markdown("**R-hat 診斷** (應 < 1.1):")
                    if diag['rhat_d']:
                        st.metric("R-hat (d)", f"{diag['rhat_d']:.4f}", 
                                 delta="✓ 良好" if diag['rhat_d'] < 1.1 else "✗ 需改善")
                    if diag['rhat_sigma']:
                        st.metric("R-hat (sigma)", f"{diag['rhat_sigma']:.4f}",
                                 delta="✓ 良好" if diag['rhat_sigma'] < 1.1 else "✗ 需改善")
                
                with col2:
                    st.markdown("**有效樣本數 (ESS)**:")
                    if diag['ess_d']:
                        st.metric("ESS (d)", f"{int(diag['ess_d'])}")
                    if diag['ess_sigma']:
                        st.metric("ESS (sigma)", f"{int(diag['ess_sigma'])}")
                
                if diag['converged']:
                    st.success("✅ 模型已收斂，結果可信")
                else:
                    st.warning("⚠️ 模型可能未完全收斂，建議增加抽樣數或鏈數")
                
                st.markdown("---")
                
                # 摘要表格
                st.markdown("### 📊 統計摘要表")
                summary_df = create_summary_table(results)
                st.dataframe(summary_df, use_container_width=True)
                
                st.markdown("---")
                
                # 各屬性結果
                st.markdown("### 🎮 各屬性詳細結果")
                trial_df = create_trial_results_table(results)
                st.dataframe(trial_df, use_container_width=True)
                
                st.markdown("---")
                
                # 勝算比比較圖
                st.markdown("### 📊 各屬性速度效應比較")
                or_fig = plot_odds_ratio_comparison(results)
                st.plotly_chart(or_fig, use_container_width=True)
            
            # Tab: Trace & Posterior
            with result_tabs[1]:
                st.markdown("### 📈 Trace Plot（抽樣軌跡）")
                st.markdown("""
                **Trace Plot 用途**：
                - 檢查 MCMC 抽樣是否收斂
                - 左圖：後驗分佈密度
                - 右圖：抽樣軌跡
                """)
                
                if st.session_state.trace_img:
                    st.image(st.session_state.trace_img, use_column_width=True)
                else:
                    st.info("請先執行分析以生成 Trace Plot")
                
                st.markdown("---")
                
                st.markdown("### 📊 Posterior Plot（後驗分佈）")
                st.markdown("""
                **Posterior Plot 用途**：
                - 顯示參數的後驗分佈
                - 包含 95% HDI（最高密度區間）
                - 顯示平均值
                """)
                
                if st.session_state.posterior_img:
                    st.image(st.session_state.posterior_img, use_column_width=True)
                else:
                    st.info("請先執行分析以生成 Posterior Plot")
            
            # Tab: Forest Plot
            with result_tabs[2]:
                st.markdown("### 🌲 Forest Plot（各屬性效應）")
                st.markdown("""
                **Forest Plot 用途**：
                - 顯示每個屬性的速度效應（delta）
                - 點：平均效應
                - 線：95% HDI
                - ★ 標記：顯著正效應（HDI 不包含 0）
                - ☆ 標記：顯著負效應
                """)
                
                if st.session_state.forest_img:
                    st.image(st.session_state.forest_img, use_column_width=True)
                else:
                    st.info("請先執行分析以生成 Forest Plot")
            
            # Tab: DAG 模型圖
            with result_tabs[3]:
                st.markdown("### 🔍 模型結構圖 (DAG)")
                st.markdown("""
                **DAG（有向無環圖）用途**：
                - 視覺化模型的階層結構
                - 顯示變數之間的依賴關係
                - 圓形/橢圓：隨機變數
                - 矩形：觀測資料
                - 菱形：推導變數
                """)
                
                if st.session_state.dag_img:
                    st.image(st.session_state.dag_img, use_column_width=True)
                else:
                    st.warning("⚠️ 無法生成 DAG 圖（可能需要安裝 Graphviz）")
                    st.markdown("""
                    **安裝 Graphviz:**
                    - Windows: `choco install graphviz`
                    - Mac: `brew install graphviz`
                    - Ubuntu: `sudo apt-get install graphviz`
                    """)
            
            # Tab: 詳細報告
            with result_tabs[4]:
                st.markdown("### 📋 完整分析報告")
                
                # 生成文字報告
                text_report = export_results_to_text(results)
                
                st.text_area(
                    "報告內容",
                    text_report,
                    height=500
                )
                
                # 下載按鈕
                st.download_button(
                    label="📥 下載完整報告 (.txt)",
                    data=text_report,
                    file_name=f"bayesian_report_{results['timestamp'][:10]}.txt",
                    mime="text/plain"
                )

# Tab 2: AI 助手
with tab2:
    st.header("💬 AI 分析助手")
    
    if not st.session_state.get('api_key'):
        st.warning("⚠️ 請在左側輸入您的 Google Gemini API Key 以使用 AI 助手")
    elif st.session_state.analysis_results is None:
        st.info("ℹ️ 請先在「貝氏分析」頁面執行分析")
    else:
        # 初始化 LLM 助手
        if 'llm_assistant' not in st.session_state:
            api_choice = st.session_state.get('api_choice', 'Google Gemini')
            st.session_state.llm_assistant = BayesianLLMAssistant(
                api_key=st.session_state.api_key,
                session_id=st.session_state.session_id,
                api_provider=api_choice  # 新增：傳遞 API 選擇
            )
        
        # 聊天容器
        chat_container = st.container()
                        
        with chat_container:
            for message in st.session_state.chat_history:
                with st.chat_message(message["role"]):
                    st.markdown(message["content"])
                    # 如果訊息包含 DAG 圖，顯示圖片
                    if message.get("has_dag", False) and message.get("dag_image") is not None:
                        st.image(message["dag_image"], caption="🎨 生成的 DAG 圖", use_column_width=True)                        
                        
        
        # 使用者輸入
        if prompt := st.chat_input("詢問關於分析結果的任何問題..."):
            # 添加使用者訊息
            st.session_state.chat_history.append({
                "role": "user",
                "content": prompt
            })
            
            with st.chat_message("user"):
                st.markdown(prompt)
            
            # AI 回應
            with st.chat_message("assistant"):
                with st.spinner("思考中..."):
                    try:
                        # 修改：接收回應和可能的 DAG 圖片
                        response, dag_image = st.session_state.llm_assistant.get_response(
                            user_message=prompt,
                            analysis_results=st.session_state.analysis_results
                        )
                        st.markdown(response)
                        
                        # 如果有生成 DAG 圖，顯示它
                        if dag_image is not None:
                            st.image(dag_image, caption="🎨 AI 生成的 DAG 圖", use_column_width=True)
                            st.success("✨ DAG 圖已生成！你可以繼續詢問圖表相關問題。")
                        
                    except Exception as e:
                        error_msg = f"❌ 錯誤: {str(e)}\n\n請檢查 API key 或重新表達問題。"
                        st.error(error_msg)
                        response = error_msg
                        dag_image = None
            
            # 添加助手回應（包含 DAG 標記）
            st.session_state.chat_history.append({
                "role": "assistant",
                "content": response,
                "has_dag": dag_image is not None,
                "dag_image": dag_image  # 新增：保存圖片
            })
        
        st.markdown("---")
        
        # 快速問題按鈕
        st.subheader("💡 快速問題")
        
        # 添加使用提示
        st.info("💡 提示：你可以要求助手「畫一個 DAG 圖」來視覺化模型結構！")
        
        quick_questions = [
            "📊 給我這次分析的總結",
            "🎯 解釋 d 和勝算比",
            "🔍 解釋 sigma（異質性）",
            "❓ 什麼是階層模型？",
            "🎨 畫一個模型結構圖",  # 新增 DAG 生成按鈕
            "🆚 貝氏 vs 頻率論",
            "⚔️ 對戰策略建議",
            "🎮 比較不同屬性"
        ]
        
        cols = st.columns(4)
        for idx, question in enumerate(quick_questions):
            col_idx = idx % 4
            if cols[col_idx].button(question, key=f"quick_{idx}"):
                # 根據問題選擇對應的方法
                if "總結" in question:
                    response = st.session_state.llm_assistant.generate_summary(
                        st.session_state.analysis_results
                    )
                    dag_image = None  # 這些方法不返回圖片
                elif "d 和勝算比" in question:
                    response = st.session_state.llm_assistant.explain_metric(
                        'd',
                        st.session_state.analysis_results
                    )
                    dag_image = None
                elif "sigma" in question or "異質性" in question:
                    response = st.session_state.llm_assistant.explain_metric(
                        'sigma',
                        st.session_state.analysis_results
                    )
                    dag_image = None
                elif "階層模型" in question:
                    response = st.session_state.llm_assistant.explain_hierarchical_model()
                    dag_image = None
                elif "畫一個" in question or "結構圖" in question:
                    # DAG 生成請求
                    response, dag_image = st.session_state.llm_assistant.get_response(
                        "請畫一個貝氏階層模型的 DAG 圖，並用繁體中文解釋每個節點的意義",
                        st.session_state.analysis_results
                    )
                elif "貝氏" in question and "頻率論" in question:
                    response = st.session_state.llm_assistant.explain_bayesian_vs_frequentist()
                    dag_image = None
                elif "策略" in question:
                    response = st.session_state.llm_assistant.battle_strategy_advice(
                        st.session_state.analysis_results
                    )
                    dag_image = None
                elif "比較" in question:
                    response = st.session_state.llm_assistant.compare_types(
                        st.session_state.analysis_results
                    )
                    dag_image = None
                else:
                    response, dag_image = st.session_state.llm_assistant.get_response(
                        question,
                        st.session_state.analysis_results
                    )
                
                # 添加到聊天歷史
                st.session_state.chat_history.append({
                    "role": "user",
                    "content": question
                })
                
                st.session_state.chat_history.append({
                    "role": "assistant",
                    "content": response,
                    "has_dag": dag_image is not None if 'dag_image' in locals() else False,
                    "dag_image": dag_image if 'dag_image' in locals() else None
                })
                
                st.rerun()
        
        # 重置對話按鈕
        st.markdown("---")
        if st.button("🔄 重置對話"):
            st.session_state.llm_assistant.reset_conversation()
            st.session_state.chat_history = []
            st.success("✅ 對話已重置")
            st.rerun()

# Footer
st.markdown("---")
st.markdown(
    f"""
    <div style='text-align: center'>
        <p>🎲 Bayesian Hierarchical Model Analysis for Pokémon Speed | Built with Streamlit & PyMC</p>
        <p>Session ID: {st.session_state.session_id[:8]} | Powered by Google Gemini 2.0 Flash</p>
    </div>
    """,
    unsafe_allow_html=True
)