"""
Aba de Visualizações Avançadas
Análise visual de embeddings e resultados
"""
import gradio as gr
import numpy as np
import plotly.graph_objects as go
import plotly.express as px
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from typing import List, Dict, Any
from src.database import DatabaseManager
from src.embeddings import EmbeddingManager


def create_visualizations_tab(
    db_manager: DatabaseManager,
    embedding_manager: EmbeddingManager,
    session_id: str
):
    """Cria aba de visualizações"""

    with gr.Tab("Visualizações"):
        gr.Markdown("""
        ## Análise Visual de Embeddings

        Visualize seus documentos em 2D para entender a distribuição semântica.
        """)

        with gr.Row():
            with gr.Column(scale=1):
                gr.Markdown("### Configuração")

                reduction_method = gr.Radio(
                    choices=["PCA", "t-SNE", "UMAP"],
                    value="PCA",
                    label="Método de Redução de Dimensionalidade",
                    info="PCA: rápido, linear. t-SNE: melhor clusters, mais lento"
                )

                n_components = gr.Slider(
                    minimum=2,
                    maximum=3,
                    value=2,
                    step=1,
                    label="Dimensões (2D ou 3D)",
                    info="3D permite rotação interativa"
                )

                color_by = gr.Radio(
                    choices=["Documento", "Cluster"],
                    value="Documento",
                    label="Colorir Por"
                )

                generate_btn = gr.Button(
                    "Gerar Visualização",
                    variant="primary",
                    size="lg",
                    elem_classes=["primary-button"]
                )

                gr.Markdown("""
                **Sobre os métodos:**
                - **PCA**: Preserva variância, rápido
                - **t-SNE**: Preserva vizinhanças locais
                - **UMAP**: Balanceado (requer instalação)
                """)

            with gr.Column(scale=2):
                gr.Markdown("### Plot Interativo")

                plot_output = gr.Plot(label="Embeddings Reduzidos")

                stats_output = gr.Markdown("")

        # Função de visualização
        def visualize_embeddings(method, n_dims, color_option):
            try:
                # 1. Busca documentos do banco
                docs = db_manager.get_all_documents(session_id)

                if not docs or len(docs) < 3:
                    return None, "**Erro**: Ingira pelo menos 3 documentos para visualizar."

                # 2. Extrai embeddings (assumindo que estão armazenados)
                # Como embeddings estão no banco, vamos recalcular para demonstração
                texts = [doc['content'] for doc in docs]
                embeddings = embedding_manager.encode(texts, normalize=True)

                # 3. Reduz dimensionalidade
                if method == "PCA":
                    reducer = PCA(n_components=int(n_dims))
                    reduced = reducer.fit_transform(embeddings)
                    explained_var = reducer.explained_variance_ratio_
                    method_info = f"Variância explicada: {sum(explained_var):.2%}"

                elif method == "t-SNE":
                    reducer = TSNE(n_components=int(n_dims), random_state=42, perplexity=min(30, len(docs)-1))
                    reduced = reducer.fit_transform(embeddings)
                    method_info = f"KL divergence: {reducer.kl_divergence_:.4f}"

                elif method == "UMAP":
                    try:
                        import umap
                        reducer = umap.UMAP(n_components=int(n_dims), random_state=42)
                        reduced = reducer.fit_transform(embeddings)
                        method_info = "UMAP aplicado com sucesso"
                    except ImportError:
                        return None, "**Erro**: UMAP não instalado. Use `pip install umap-learn`"

                # 4. Prepara dados para plot
                titles = [doc['title'] for doc in docs]
                previews = [doc['content'][:100] + "..." for doc in docs]

                # Colorir por documento ou cluster
                if color_option == "Documento":
                    colors = titles
                else:
                    # Clustering simples com K-means
                    from sklearn.cluster import KMeans
                    n_clusters = min(5, len(docs))
                    kmeans = KMeans(n_clusters=n_clusters, random_state=42, n_init=10)
                    clusters = kmeans.fit_predict(embeddings)
                    colors = [f"Cluster {c+1}" for c in clusters]

                # 5. Cria plot
                if int(n_dims) == 2:
                    fig = px.scatter(
                        x=reduced[:, 0],
                        y=reduced[:, 1],
                        color=colors,
                        hover_name=titles,
                        hover_data={"Preview": previews},
                        title=f"Visualização de Embeddings ({method})",
                        labels={"x": "Componente 1", "y": "Componente 2"}
                    )
                    fig.update_traces(marker=dict(size=12, line=dict(width=1, color='white')))

                else:  # 3D
                    fig = px.scatter_3d(
                        x=reduced[:, 0],
                        y=reduced[:, 1],
                        z=reduced[:, 2],
                        color=colors,
                        hover_name=titles,
                        hover_data={"Preview": previews},
                        title=f"Visualização 3D de Embeddings ({method})",
                        labels={"x": "Componente 1", "y": "Componente 2", "z": "Componente 3"}
                    )
                    fig.update_traces(marker=dict(size=8, line=dict(width=0.5, color='white')))

                fig.update_layout(
                    template="plotly_white",
                    hovermode='closest',
                    height=600
                )

                # 6. Estatísticas
                stats = f"""
                ### Estatísticas

                **Documentos visualizados:** {len(docs)}

                **Método:** {method}
                - {method_info}

                **Dimensões:**
                - Original: {embeddings.shape[1]}
                - Reduzida: {reduced.shape[1]}

                **Interpretação:**
                - Pontos próximos = semanticamente similares
                - Pontos distantes = semanticamente diferentes
                - Clusters = grupos de documentos relacionados
                """

                return fig, stats

            except Exception as e:
                return None, f"**Erro**: {str(e)}"

        # Conecta evento
        generate_btn.click(
            fn=visualize_embeddings,
            inputs=[reduction_method, n_components, color_by],
            outputs=[plot_output, stats_output]
        )