library(shiny)
library(ggplot2)
library(dplyr)
library(tidyr)
library(corrplot)
library(plotly)
library(gridExtra)

ui <- fluidPage(
  # タイトルと概要
  titlePanel("経営指標分析ダッシュボード"),
  
  # スタイルの設定
  tags$head(
    tags$style(HTML("
      body { font-family: 'Arial', sans-serif; }
      .nav-tabs > li > a { color: #333; }
      .tab-pane { padding: 20px; }
      h3 { color: #2c3e50; margin-top: 20px; }
      .well { background-color: #ecf0f1; }
    "))
  ),
  
  # タブの構成
  tabsetPanel(
    # タブ1: 相関分析
    tabPanel("相関分析",
      fluidRow(
        column(12,
          h3("指標間の相関係数（ヒートマップ）"),
          p("各ビジネス部門の売上、原価、粗利、営業利益、KPIなど全指標間の相関を表示します。")
        )
      ),
      fluidRow(
        column(8, plotOutput("correlation_heatmap", height = "600px")),
        column(4,
          wellPanel(
            h4("相関分析の概要"),
            verbatimTextOutput("correlation_summary")
          )
        )
      )
    ),
    
    # タブ2: 回帰分析
    tabPanel("回帰分析",
      fluidRow(
        column(12, h3("KPIと売上・利益の関係分析"))
      ),
      fluidRow(
        column(6,
          wellPanel(
            h4("回帰分析の設定"),
            selectInput("x_var", "説明変数（X軸）", 
              c("整備_車検件数" = "x25", 
                "整備_整備・板金数" = "x31",
                "運送_自社ドライバー数" = "x67",
                "運送_他社ドライバー数" = "x73",
                "レンタル_レンタル台数" = "x91")),
            selectInput("y_var", "被説明変数（Y軸）",
              c("整備_売上" = "x2",
                "整備_営業利益" = "x9",
                "商品_売上" = "x37",
                "商品_営業利益" = "x41",
                "運送_売上" = "x52",
                "運送_営業利益" = "x56",
                "レンタル_売上" = "x76",
                "レンタル_営業利益" = "x80")),
            actionButton("update_regression", "更新", class = "btn-primary")
          )
        )
      ),
      fluidRow(
        column(6, plotlyOutput("regression_scatter")),
        column(6, 
          wellPanel(
            h4("回帰分析結果"),
            verbatimTextOutput("regression_results")
          )
        )
      )
    ),
    
    # タブ3: 時系列分析
    tabPanel("時系列分析",
      fluidRow(
        column(12, h3("各部門の営業利益推移"))
      ),
      fluidRow(
        column(12, plotlyOutput("timeseries_profit", height = "500px"))
      ),
      fluidRow(
        column(12, h3("売上高の推移"))
      ),
      fluidRow(
        column(12, plotlyOutput("timeseries_sales", height = "500px"))
      ),
      fluidRow(
        column(12, h3("KPI推移"))
      ),
      fluidRow(
        column(12, plotlyOutput("timeseries_kpi", height = "500px"))
      )
    ),
    
    # タブ4: 統計サマリー
    tabPanel("統計サマリー",
      fluidRow(
        column(12, h3("基本統計量"))
      ),
      fluidRow(
        column(6,
          wellPanel(
            h4("整備部門"),
            verbatimTextOutput("summary_seisetsubi")
          )
        ),
        column(6,
          wellPanel(
            h4("商品部門"),
            verbatimTextOutput("summary_shohin")
          )
        )
      ),
      fluidRow(
        column(6,
          wellPanel(
            h4("運送部門"),
            verbatimTextOutput("summary_unsou")
          )
        ),
        column(6,
          wellPanel(
            h4("レンタル部門"),
            verbatimTextOutput("summary_rental")
          )
        )
      )
    ),
    
    # タブ5: 詳細な散布図分析
    tabPanel("詳細分析",
      fluidRow(
        column(12, h3("主要指標の散布図行列"))
      ),
      fluidRow(
        column(12,
          wellPanel(
            h4("分析対象指標の選択（複数選択可）"),
            checkboxGroupInput("scatter_vars", "変数を選択",
              c("整備_売上" = "x2",
                "整備_粗利" = "x7",
                "整備_営業利益" = "x9",
                "商品_売上" = "x37",
                "商品_粗利" = "x39",
                "商品_営業利益" = "x41",
                "運送_売上" = "x52",
                "運送_粗利" = "x54",
                "運送_営業利益" = "x56",
                "レンタル_売上" = "x76",
                "レンタル_粗利" = "x78",
                "レンタル_営業利益" = "x80"),
              selected = c("x2", "x9", "x37", "x52"))
          )
        )
      ),
      fluidRow(
        column(12, plotOutput("scatter_matrix", height = "800px"))
      )
    )
  )
)

server <- function(input, output, session) {
  
  # データの読み込み
  df <- reactive({
    # ファイルパスを設定（Docker対応）
    possible_paths <- c(
      "DummyData.csv",          # Docker環境
      "SampleData.csv",         # ローカル環境
      file.path(getwd(), "DummyData.csv"),
      file.path(getwd(), "SampleData.csv")
    )
    
    for (path in possible_paths) {
      if (file.exists(path)) {
        # CSVを読み込み
        data <- read.csv(path, row.names = 1, check.names = FALSE)
        
        # 年月を列として追加
        data <- data %>%
          mutate(年月 = rownames(.))
        
        # すべての数値列を明示的に数値型に変換
        numeric_cols <- colnames(data)[colnames(data) != "年月"]
        for (col in numeric_cols) {
          data[[col]] <- as.numeric(as.character(data[[col]]))
        }
        
        return(data)
      }
    }
    
    # ファイルが見つからない場合は警告
    showNotification("DummyData.csv または SampleData.csv が見つかりません", type = "error")
    return(NULL)
  })
  
  # 列名のマッピング（全28列）
  get_column_label <- function(col_name) {
    labels <- list(
      "x2" = "整備_売上",
      "x3" = "整備_一般車検",
      "x4" = "整備_整備・板金",
      "x5" = "整備_その他",
      "x6" = "整備_原価",
      "x7" = "整備_粗利",
      "x8" = "整備_販管費",
      "x9" = "整備_営業利益",
      "x25" = "整備KPI_車検件数",
      "x31" = "整備KPI_整備・板金数",
      "x37" = "商品_売上",
      "x38" = "商品_原価",
      "x39" = "商品_粗利",
      "x40" = "商品_販管費",
      "x41" = "商品_営業利益",
      "x52" = "運送_売上",
      "x53" = "運送_原価",
      "x54" = "運送_粗利",
      "x55" = "運送_販管費",
      "x56" = "運送_営業利益",
      "x67" = "運送KPI_自社ドライバー数",
      "x73" = "運送KPI_他社ドライバー数",
      "x76" = "レンタル_売上",
      "x77" = "レンタル_原価",
      "x78" = "レンタル_粗利",
      "x79" = "レンタル_販管費",
      "x80" = "レンタル_営業利益",
      "x91" = "レンタルKPI_レンタル台数"
    )
    return(labels[[col_name]] %||% col_name)
  }
  
  # タブ1: 相関ヒートマップ
  output$correlation_heatmap <- renderPlot({
    if (is.null(df())) return(NULL)
    
    tryCatch({
      # 数値列だけを選択
      numeric_data <- df() %>%
        select(-年月) %>%
        select_if(is.numeric)
      
      # 完全なケースのみを使用（欠損値やNaN、Infを除外）
      numeric_data_clean <- numeric_data[complete.cases(numeric_data), ]
      
      if (nrow(numeric_data_clean) < 3) {
        plot(1, 1, type="n", xlab="", ylab="", main="エラー：分析可能なデータが不足しています")
        text(1, 1, "欠損値やNaN値が多すぎます", cex=1.5)
        return()
      }
      
      # 相関行列を計算
      corr_matrix <- cor(numeric_data_clean, use = "complete.obs", method = "pearson")
      
      # NaN値を0に置き換え
      corr_matrix[is.na(corr_matrix)] <- 0
      
      # ヒートマップを作成
      corrplot(corr_matrix, method = "color", type = "full",
        tl.cex = 0.7, tl.col = "black",
        addCoef.col = "white", number.cex = 0.6,
        title = "相関係数ヒートマップ", mar = c(0, 0, 2, 0))
    }, error = function(e) {
      plot(1, 1, type="n", xlab="", ylab="", main="エラー")
      text(1, 1, paste("エラー:", e$message), cex=1.2, col="red")
    })
  })
  
  # 相関分析の概要
  output$correlation_summary <- renderPrint({
    if (is.null(df())) return(NULL)
    
    tryCatch({
      numeric_data <- df() %>%
        select(-年月) %>%
        select_if(is.numeric)
      
      numeric_data_clean <- numeric_data[complete.cases(numeric_data), ]
      
      corr_matrix <- cor(numeric_data_clean, use = "complete.obs")
      corr_matrix[is.na(corr_matrix)] <- 0
      
      # 相関が強い組み合わせを抽出
      upper_tri <- upper.tri(corr_matrix)
      corr_pairs <- data.frame(
        var1_code = rownames(corr_matrix)[row(corr_matrix)[upper_tri]],
        var2_code = colnames(corr_matrix)[col(corr_matrix)[upper_tri]],
        correlation = corr_matrix[upper_tri]
      ) %>%
        arrange(desc(abs(correlation))) %>%
        head(10)
      
      # 日本語ラベルを追加
      corr_pairs$var1_label <- sapply(corr_pairs$var1_code, get_column_label)
      corr_pairs$var2_label <- sapply(corr_pairs$var2_code, get_column_label)
      
      cat("相関係数が強い上位10の組み合わせ：\n\n")
      for (i in 1:nrow(corr_pairs)) {
        cat(sprintf("%s (%s) と %s (%s): %.3f\n",
          corr_pairs$var1_label[i],
          corr_pairs$var1_code[i],
          corr_pairs$var2_label[i],
          corr_pairs$var2_code[i],
          corr_pairs$correlation[i]))
      }
    }, error = function(e) {
      cat("エラーが発生しました：", e$message)
    })
  })
  
  # タブ2: 回帰分析
  regression_data <- reactive({
    if (is.null(df())) return(NULL)
    
    x_var <- input$x_var
    y_var <- input$y_var
    
    data_for_reg <- df() %>%
      select(年月, !!x_var, !!y_var) %>%
      rename(X = !!x_var, Y = !!y_var) %>%
      filter(!is.na(X), !is.na(Y), X != 0, is.finite(X), is.finite(Y))
    
    if (nrow(data_for_reg) < 3) {
      return(NULL)
    }
    
    return(data_for_reg)
  }) %>% debounce(500)
  
  output$regression_scatter <- renderPlotly({
    if (is.null(regression_data())) return(NULL)
    
    data <- regression_data()
    model <- lm(Y ~ X, data = data)
    
    x_label <- get_column_label(input$x_var)
    y_label <- get_column_label(input$y_var)
    
    p <- ggplot(data, aes(x = X, y = Y)) +
      geom_point(size = 3, color = "steelblue", alpha = 0.6) +
      geom_smooth(method = "lm", se = TRUE, color = "red", fill = "red", alpha = 0.2) +
      labs(title = paste(y_label, "vs", x_label),
        subtitle = sprintf("(%s) vs (%s)", input$y_var, input$x_var),
        x = x_label,
        y = y_label) +
      theme_minimal() +
      theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))
    
    ggplotly(p)
  })
  
  output$regression_results <- renderPrint({
    if (is.null(regression_data())) return(NULL)
    
    data <- regression_data()
    model <- lm(Y ~ X, data = data)
    
    x_label <- get_column_label(input$x_var)
    y_label <- get_column_label(input$y_var)
    
    cat(sprintf("回帰分析: %s = β₀ + β₁ × %s\n", y_label, x_label))
    cat(sprintf("         (%s) = β₀ + β₁ × (%s)\n\n", input$y_var, input$x_var))
    print(summary(model))
    
    cat("\n相関係数 (r):", format(cor(data$X, data$Y), digits = 4))
    cat("\n決定係数 (R²):", format(summary(model)$r.squared, digits = 4))
    cat("\n観測数:", nrow(data), "\n")
  })
  
  # タブ3: 時系列分析
  output$timeseries_profit <- renderPlotly({
    if (is.null(df())) return(NULL)
    
    data <- df() %>%
      select(年月, x9, x41, x56, x80) %>%
      rename("整備営業利益" = x9,
        "商品営業利益" = x41,
        "運送営業利益" = x56,
        "レンタル営業利益" = x80) %>%
      gather(key = "部門", value = "営業利益", -年月)
    
    p <- ggplot(data, aes(x = factor(年月, levels = unique(年月)), 
                          y = 営業利益, 
                          color = 部門, 
                          group = 部門)) +
      geom_line(size = 1) +
      geom_point(size = 2) +
      labs(title = "各部門の営業利益推移",
        x = "年月",
        y = "営業利益（円）",
        color = "部門") +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1),
        plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))
    
    ggplotly(p)
  })
  
  output$timeseries_sales <- renderPlotly({
    if (is.null(df())) return(NULL)
    
    data <- df() %>%
      select(年月, x2, x37, x52, x76) %>%
      rename("整備売上" = x2,
        "商品売上" = x37,
        "運送売上" = x52,
        "レンタル売上" = x76) %>%
      gather(key = "部門", value = "売上", -年月)
    
    p <- ggplot(data, aes(x = factor(年月, levels = unique(年月)), 
                          y = 売上, 
                          color = 部門, 
                          group = 部門)) +
      geom_line(size = 1) +
      geom_point(size = 2) +
      labs(title = "各部門の売上高推移",
        x = "年月",
        y = "売上（円）",
        color = "部門") +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1),
        plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))
    
    ggplotly(p)
  })
  
  output$timeseries_kpi <- renderPlotly({
    if (is.null(df())) return(NULL)
    
    data <- df() %>%
      select(年月, x25, x31, x67, x73, x91) %>%
      rename("車検件数" = x25,
        "整備・板金数" = x31,
        "自社ドライバー数" = x67,
        "他社ドライバー数" = x73,
        "レンタル台数" = x91) %>%
      gather(key = "KPI", value = "件数", -年月)
    
    p <- ggplot(data, aes(x = factor(年月, levels = unique(年月)), 
                          y = 件数, 
                          color = KPI, 
                          group = KPI)) +
      geom_line(size = 1) +
      geom_point(size = 2) +
      labs(title = "KPI推移",
        x = "年月",
        y = "件数・台数",
        color = "KPI") +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1),
        plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))
    
    ggplotly(p)
  })
  
  # タブ4: 統計サマリー
  output$summary_seisetsubi <- renderPrint({
    if (is.null(df())) return(NULL)
    
    cat("整備部門の基本統計量\n")
    cat("==================\n\n")
    cat("売上:\n")
    print(summary(df()$x2))
    cat("\n営業利益:\n")
    print(summary(df()$x9))
    cat("\n車検件数:\n")
    print(summary(df()$x25))
    cat("\n整備・板金数:\n")
    print(summary(df()$x31))
  })
  
  output$summary_shohin <- renderPrint({
    if (is.null(df())) return(NULL)
    
    cat("商品部門の基本統計量\n")
    cat("==================\n\n")
    cat("売上:\n")
    print(summary(df()$x37))
    cat("\n原価:\n")
    print(summary(df()$x38))
    cat("\n粗利:\n")
    print(summary(df()$x39))
    cat("\n営業利益:\n")
    print(summary(df()$x41))
  })
  
  output$summary_unsou <- renderPrint({
    if (is.null(df())) return(NULL)
    
    cat("運送部門の基本統計量\n")
    cat("==================\n\n")
    cat("売上:\n")
    print(summary(df()$x52))
    cat("\n営業利益:\n")
    print(summary(df()$x56))
    cat("\n自社ドライバー数:\n")
    print(summary(df()$x67))
    cat("\n他社ドライバー数:\n")
    print(summary(df()$x73))
  })
  
  output$summary_rental <- renderPrint({
    if (is.null(df())) return(NULL)
    
    cat("レンタル部門の基本統計量\n")
    cat("======================\n\n")
    cat("売上:\n")
    print(summary(df()$x76))
    cat("\n原価:\n")
    print(summary(df()$x77))
    cat("\n粗利:\n")
    print(summary(df()$x78))
    cat("\n営業利益:\n")
    print(summary(df()$x80))
    cat("\nレンタル台数:\n")
    print(summary(df()$x91))
  })
  
  # タブ5: 散布図行列
  output$scatter_matrix <- renderPlot({
    if (is.null(df())) return(NULL)
    
    tryCatch({
      selected_vars <- input$scatter_vars
      if (length(selected_vars) == 0) {
        plot(1, 1, type="n", xlab="", ylab="", main="変数を選択してください")
        text(1, 1, "左側のチェックボックスから分析対象の指標を選択してください", cex=1.2)
        return()
      }
      
      data <- df() %>%
        select(all_of(selected_vars)) %>%
        select_if(is.numeric)
      
      # 完全なケースのみを使用
      data_clean <- data[complete.cases(data), ]
      
      if (nrow(data_clean) < 3) {
        plot(1, 1, type="n", xlab="", ylab="")
        text(1, 1, "データが不足しています", cex=1.5)
        return()
      }
      
      # 列名を日本語に変更
      colnames(data_clean) <- sapply(colnames(data_clean), get_column_label)
      
      # 散布図行列を作成
      pairs(data_clean, 
        panel = function(x, y, ...) {
          points(x, y, col = "steelblue", cex = 0.7)
          abline(lm(y ~ x), col = "red", lty = 2)
        },
        main = "変数間の散布図行列")
    }, error = function(e) {
      plot(1, 1, type="n", xlab="", ylab="")
      text(1, 1, paste("エラー:", e$message), cex=1.2, col="red")
    })
  })
}

# アプリの実行
shinyApp(ui = ui, server = server)