import joblib
import tensorflow as tf
from huggingface_hub import hf_hub_download
import pandas as pd
import numpy as np
import warnings

warnings.filterwarnings('ignore')

# ==========================================================
# 1. KONFIGURASI DAN PEMUATAN MODEL DARI HUGGING FACE HUB
# ==========================================================
REPO_ID = "hexselarchieles/koperasi-ml-models"

def load_models_and_scalers():
    """Mengunduh dan memuat semua model dan scaler dari Hugging Face Hub."""
    
    print("Mulai mengunduh model dari Hugging Face Hub...")
    
    # --- Unduh dan Muat LightGBM Model (Joblib) ---
    lgbm_path = hf_hub_download(repo_id=REPO_ID, filename="lgbm_model.joblib")
    lgbm_model = joblib.load(lgbm_path)

    # --- Unduh dan Muat Scaler Statis (Joblib) ---
    scaler_static_path = hf_hub_download(repo_id=REPO_ID, filename="scaler_static.joblib")
    scaler_static = joblib.load(scaler_static_path)

    # --- Unduh dan Muat LSTM Model (H5) ---
    lstm_path = hf_hub_download(repo_id=REPO_ID, filename="lstm_model.h5")
    # PENTING: Gunakan compile=False untuk menghindari masalah dengan versi TensorFlow
    lstm_model = tf.keras.models.load_model(lstm_path, compile=False) 

    # --- Unduh dan Muat Scaler Time Series (Joblib) ---
    scaler_ts_path = hf_hub_download(repo_id=REPO_ID, filename="scaler_ts.joblib")
    scaler_ts = joblib.load(scaler_ts_path)

    # --- Unduh dan Muat Blending Parameters ---
    blending_params_path = hf_hub_download(repo_id=REPO_ID, filename="blending_params.joblib")
    blending_params = joblib.load(blending_params_path)
    
    print("Semua model berhasil diunduh dan dimuat!")
    
    return lgbm_model, lstm_model, scaler_static, scaler_ts, blending_params

# Pemuatan model terjadi saat server Gunicorn dimulai (Global Loading)
try:
    LGBM_MODEL, LSTM_MODEL, SCALER_STATIC, SCALER_TS, BLENDING_PARAMS = load_models_and_scalers()
except Exception as e:
    # Ini akan memicu Runtime Error di Gunicorn jika gagal
    print(f"FATAL ERROR DURING MODEL LOAD: {e}")
    raise e


# ==========================================================
# 2. FUNGSI UTAMA PRE-PROCESSING DAN PREDIKSI
# ==========================================================

# --- FUNGSI PLACEHOLDER: Anda harus menyesuaikan ini dengan fitur asli Anda ---

def preprocess_static_data(data):
    """Contoh fungsi untuk membersihkan dan menstandarisasi data statis."""
    df = pd.DataFrame([data])
    
    # Ambil 20 fitur statis pertama (sesuaikan nama kolom Anda di sini)
    static_features = [col for col in df.columns if 'stat_' in col][:20] 

    if not static_features:
        # Jika Anda tidak memiliki daftar fitur, ini akan menggunakan semua kolom numerik
        numeric_cols = df.select_dtypes(include=np.number).columns
        df_static = df[numeric_cols]
    else:
        df_static = df[static_features]

    # Melakukan Scaling menggunakan scaler statis yang sudah dimuat
    scaled_data = SCALER_STATIC.transform(df_static)
    return scaled_data

def preprocess_ts_data(data):
    """Contoh fungsi untuk membersihkan dan menstandarisasi data time series."""
    # Asumsi data time series adalah array 3D yang sudah bersih
    # Biasanya ini adalah data historis transaksi/kredit.
    
    # Ambil data time series dari input (misalnya, 'history')
    ts_data_raw = np.array(data.get('history', [[0]*10]*5)) 
    
    # Melakukan Scaling menggunakan scaler time series yang sudah dimuat
    scaled_data = SCALER_TS.transform(ts_data_raw.reshape(-1, ts_data_raw.shape[-1])).reshape(ts_data_raw.shape)

    # LSTM membutuhkan bentuk (samples, timesteps, features)
    return np.expand_dims(scaled_data, axis=0) 


# ==========================================================
# 3. FUNGSI UTAMA API (DIPANGGIL OLEH app.py)
# ==========================================================
def get_credit_score(raw_data):
    """
    Memproses data, menjalankan prediksi dari kedua model, 
    melakukan blending, dan menentukan keputusan akhir.
    """
    print("Mulai memproses permintaan...")
    
    # --- 1. Pre-Processing ---
    lgbm_input = preprocess_static_data(raw_data)
    lstm_input = preprocess_ts_data(raw_data)

    # --- 2. Prediksi Model ---
    
    # Prediksi LightGBM (Output Skalar)
    lgbm_pred = LGBM_MODEL.predict(lgbm_input)[0] 
    
    # Prediksi LSTM (Output Time Series, ambil nilai terakhir)
    lstm_output = LSTM_MODEL.predict(lstm_input, verbose=0)
    lstm_pred = lstm_output[0, -1, 0] # Ambil nilai prediksi terakhir

    # --- 3. Blending dan Final Score ---
    
    # Gunakan parameter blending yang sudah dimuat (BlENDIN_PARAMS adalah bobot)
    w_lgbm = BLENDING_PARAMS.get('w_lgbm', 0.5)
    w_lstm = BLENDING_PARAMS.get('w_lstm', 0.5)

    final_score = (w_lgbm * lgbm_pred) + (w_lstm * lstm_pred)
    
    # --- 4. Keputusan ---
    
    # Ganti 80 dengan threshold bisnis Anda
    if final_score >= 0.80: 
        decision = "SETUJU"
    else:
        decision = "TOLAK"

    return {
        "score": float(final_score),
        "decision": decision
    }