# =========================================================
# Predicción de Supervivencia en el Titanic — Demo Gradio
# Pensada para desplegarse en Hugging Face Spaces.
#
# La interfaz pregunta en "idioma humano" (Sexo, Puerto de
# embarque, Clase del pasaje...) y la app traduce internamente
# esas respuestas a las columnas one-hot que espera el modelo.
# =========================================================

import json
import pickle

import pandas as pd
import gradio as gr

# -------------------------------------------------------
# 1. Cargar modelo y archivos auxiliares
# -------------------------------------------------------

with open("model_rf.pkl", "rb") as f:
    model = pickle.load(f)

# Orden exacto de columnas usado en el entrenamiento
with open("model_columns.json", "r") as f:
    MODEL_COLUMNS = json.load(f)

# Rangos min-max (post-limpieza) para los sliders
with open("ranges.json", "r") as f:
    RANGES = json.load(f)

# -------------------------------------------------------
# 2. Función de predicción
# -------------------------------------------------------

def predecir(clase, edad, hermanos, padres_hijos, tarifa, sexo, puerto):
    """Recibe los valores 'humanos' de la interfaz, los traduce a las
    columnas one-hot del modelo y devuelve las probabilidades."""

    # Traducción interfaz → columnas del modelo
    fila = {
        "Clase": int(clase[0]),               # "1ª clase" → 1
        "Edad": edad,
        "HermanosConyuge": hermanos,
        "PadresHijos": padres_hijos,
        "Tarifa": tarifa,
        "Sexo_mujer": 1 if sexo == "Mujer" else 0,
        "PuertoEmbarque_Queenstown": 1 if puerto.startswith("Queenstown") else 0,
        "PuertoEmbarque_Southampton": 1 if puerto.startswith("Southampton") else 0,
        # Cherbourg es la categoría base (drop_first): ambas dummies en 0
    }

    # Reconstruir el vector en el MISMO orden del entrenamiento
    x = pd.DataFrame([fila], columns=MODEL_COLUMNS)

    prob_sobrevive = float(model.predict_proba(x)[0][1])

    # gr.Label muestra esto como barras de probabilidad
    return {
        "Sobrevive 🟢": prob_sobrevive,
        "No sobrevive 🔴": 1 - prob_sobrevive,
    }

# -------------------------------------------------------
# 3. Construcción de la interfaz
# -------------------------------------------------------

entradas = [
    gr.Radio(
        choices=["1ª clase", "2ª clase", "3ª clase"],
        value="3ª clase",
        label="Clase del pasaje",
        info="1ª = la más cara, 3ª = la más económica",
    ),
    gr.Slider(
        RANGES["Edad"]["min"], RANGES["Edad"]["max"], value=28, step=1,
        label="Edad (años)",
    ),
    gr.Slider(
        RANGES["HermanosConyuge"]["min"], RANGES["HermanosConyuge"]["max"], value=0, step=1,
        label="Hermanos/as o cónyuge a bordo",
    ),
    gr.Slider(
        RANGES["PadresHijos"]["min"], RANGES["PadresHijos"]["max"], value=0, step=1,
        label="Padres o hijos a bordo",
    ),
    gr.Slider(
        RANGES["Tarifa"]["min"], RANGES["Tarifa"]["max"], value=15, step=0.5,
        label="Tarifa pagada (libras de 1912)",
    ),
    gr.Radio(
        choices=["Mujer", "Hombre"],
        value="Mujer",
        label="Sexo",
    ),
    gr.Radio(
        choices=["Cherbourg (Francia)", "Queenstown (Irlanda)", "Southampton (Inglaterra)"],
        value="Southampton (Inglaterra)",
        label="Puerto de embarque",
    ),
]

app = gr.Interface(
    fn=predecir,
    inputs=entradas,
    outputs=gr.Label(num_top_classes=2, label="Predicción"),
    title="🚢 Predicción de Supervivencia en el Titanic",
    description=(
        "Modelo **Random Forest** entrenado con el dataset clásico del Titanic. "
        "Ajusta las características del pasajero y el modelo estimará su "
        "probabilidad de supervivencia.\n\n"
        "*Pipeline sin data leakage: imputación, outliers y escalado "
        "calculados solo con el set de entrenamiento.*"
    ),
    examples=[
        ["1ª clase", 35, 1, 0, 53.0, "Mujer", "Cherbourg (Francia)"],
        ["3ª clase", 25, 0, 0, 7.5, "Hombre", "Southampton (Inglaterra)"],
        ["2ª clase", 8, 1, 2, 26.0, "Hombre", "Southampton (Inglaterra)"],
    ],
    flagging_mode="never",
)

# -------------------------------------------------------
# 4. Ejecutar la aplicación
# -------------------------------------------------------

if __name__ == "__main__":
    app.launch()