modules/studentact/current_situation_interface.py

# modules/studentact/current_situation_interface.py

import streamlit as st
import logging
from ..utils.widget_utils import generate_unique_key
import matplotlib.pyplot as plt
import numpy as np

from ..database.current_situation_mongo_db import store_current_situation_result

from ..database.writing_progress_mongo_db import (
    store_writing_baseline,
    store_writing_progress,
    get_writing_baseline,
    get_writing_progress,
    get_latest_writing_metrics
)

from .current_situation_analysis import (
    analyze_text_dimensions, 
    analyze_clarity,
    analyze_vocabulary_diversity, 
    analyze_cohesion,
    analyze_structure,
    get_dependency_depths, 
    normalize_score, 
    generate_sentence_graphs, 
    generate_word_connections, 
    generate_connection_paths,
    create_vocabulary_network, 
    create_syntax_complexity_graph, 
    create_cohesion_heatmap     
)

# Configuración del estilo de matplotlib para el gráfico de radar
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['axes.grid'] = True
plt.rcParams['axes.spines.top'] = False
plt.rcParams['axes.spines.right'] = False

logger = logging.getLogger(__name__)
####################################

TEXT_TYPES = {
    'academic_article': {
        'name': 'Artículo Académico',
        'thresholds': {
            'vocabulary': {'min': 0.70, 'target': 0.85},
            'structure': {'min': 0.75, 'target': 0.90},
            'cohesion': {'min': 0.65, 'target': 0.80},
            'clarity': {'min': 0.70, 'target': 0.85}
        }
    },
    'student_essay': {
        'name': 'Trabajo Universitario',
        'thresholds': {
            'vocabulary': {'min': 0.60, 'target': 0.75},
            'structure': {'min': 0.65, 'target': 0.80},
            'cohesion': {'min': 0.55, 'target': 0.70},
            'clarity': {'min': 0.60, 'target': 0.75}
        }
    },
    'general_communication': {
        'name': 'Comunicación General',
        'thresholds': {
            'vocabulary': {'min': 0.50, 'target': 0.65},
            'structure': {'min': 0.55, 'target': 0.70},
            'cohesion': {'min': 0.45, 'target': 0.60},
            'clarity': {'min': 0.50, 'target': 0.65}
        }
    }
}
####################################

ANALYSIS_DIMENSION_MAPPING = {
    'morphosyntactic': {
        'primary': ['vocabulary', 'clarity'],
        'secondary': ['structure'],
        'tools': ['arc_diagrams', 'word_repetition']
    },
    'semantic': {
        'primary': ['cohesion', 'structure'],
        'secondary': ['vocabulary'],
        'tools': ['concept_graphs', 'semantic_networks']
    },
    'discourse': {
        'primary': ['cohesion', 'structure'],
        'secondary': ['clarity'],
        'tools': ['comparative_analysis']
    }
}

####################################

def display_current_situation_interface(lang_code, nlp_models, t):
    """
    Interfaz simplificada con gráfico de radar para visualizar métricas.
    """
    # Inicializar estados si no existen
    if 'text_input' not in st.session_state:
        st.session_state.text_input = ""
    if 'text_area' not in st.session_state:  # Añadir inicialización de text_area
        st.session_state.text_area = ""
    if 'show_results' not in st.session_state:
        st.session_state.show_results = False
    if 'current_doc' not in st.session_state:
        st.session_state.current_doc = None
    if 'current_metrics' not in st.session_state:
        st.session_state.current_metrics = None
        
    try:
        # Container principal con dos columnas
        with st.container():
            input_col, results_col = st.columns([1,2])
                    
            with input_col:
                # Text area con manejo de estado
                text_input = st.text_area(
                    t.get('input_prompt', "Escribe o pega tu texto aquí:"),
                    height=400,
                    key="text_area",
                    value=st.session_state.text_input,
                    help="Este texto será analizado para darte recomendaciones personalizadas"
                )
                
                # Función para manejar cambios de texto
                if text_input != st.session_state.text_input:
                    st.session_state.text_input = text_input
                    st.session_state.show_results = False
                
                if st.button(
                    t.get('analyze_button', "Analizar mi escritura"),
                    type="primary",
                    disabled=not text_input.strip(),
                    use_container_width=True,
                ):
                    try:
                        with st.spinner(t.get('processing', "Analizando...")):
                            doc = nlp_models[lang_code](text_input)
                            metrics = analyze_text_dimensions(doc)
                            
                            storage_success = store_current_situation_result(
                                username=st.session_state.username,
                                text=text_input,
                                metrics=metrics,
                                feedback=None
                            )
                            
                            if not storage_success:
                                logger.warning("No se pudo guardar el análisis en la base de datos")
                            
                            st.session_state.current_doc = doc
                            st.session_state.current_metrics = metrics
                            st.session_state.show_results = True
                            
                    except Exception as e:
                        logger.error(f"Error en análisis: {str(e)}")
                        st.error(t.get('analysis_error', "Error al analizar el texto"))
            
            # Mostrar resultados en la columna derecha
            with results_col:
                if st.session_state.show_results and st.session_state.current_metrics is not None:
                    # Primero los radio buttons para tipo de texto
                    st.markdown("### Tipo de texto")
                    text_type = st.radio(
                        "",
                        options=list(TEXT_TYPES.keys()),
                        format_func=lambda x: TEXT_TYPES[x]['name'],
                        horizontal=True,
                        key="text_type_radio",
                        help="Selecciona el tipo de texto para ajustar los criterios de evaluación"
                    )
                    
                    st.session_state.current_text_type = text_type
                    
                    # Luego mostrar los resultados
                    display_results(
                        metrics=st.session_state.current_metrics,
                        text_type=text_type
                    )
        
        # Agregar selector de modo
        analysis_mode = st.radio(
            "Modo de análisis",
            ["Establecer línea base", "Comparar progreso"],
            key="analysis_mode"
        )
            
        if analysis_mode == "Establecer línea base":
            # Mostrar interfaz normal
            display_baseline_interface(lang_code, nlp_models, t)
        else:
            # Mostrar interfaz de comparación
            display_comparison_interface(lang_code, nlp_models, t)

    except Exception as e:
        logger.error(f"Error en interfaz principal: {str(e)}")
        st.error("Ocurrió un error al cargar la interfaz")

###################################

def display_baseline_interface(lang_code, nlp_models, t):
    """Interfaz para establecer línea base"""
    # ... código existente de entrada de texto ...
    
    if st.button("Establecer como línea base"):
        metrics = analyze_text_dimensions(doc)
        store_baseline_metrics(
            username=st.session_state.username,
            metrics=metrics,
            text=text_input,
            timestamp=datetime.now()
        )
        st.success("Línea base establecida")

def display_comparison_interface(lang_code, nlp_models, t):
    """Interfaz para comparar progreso"""
    # Obtener línea base
    baseline = get_baseline_metrics(st.session_state.username)
    
    if not baseline:
        st.warning("Primero debes establecer una línea base")
        return
        
    # Mostrar entrada de texto actual
    current_text = st.text_area("Nuevo texto")
    
    if st.button("Analizar progreso"):
        current_metrics = analyze_text_dimensions(nlp_models[lang_code](current_text))
        
        # Mostrar comparación
        display_comparison_results(
            baseline_metrics=baseline['metrics'],
            current_metrics=current_metrics
        )
        
        # Opción para guardar progreso
        if st.button("Guardar este progreso"):
            store_progress_metrics(
                username=st.session_state.username,
                metrics=current_metrics,
                text=current_text,
                timestamp=datetime.now()
            )
            st.success("Progreso guardado")

###################################

def display_comparison_results(baseline_metrics, current_metrics):
    """Muestra comparación entre línea base y métricas actuales"""
    
    # Crear columnas para métricas y gráfico
    metrics_col, graph_col = st.columns([1, 1.5])
    
    with metrics_col:
        for dimension in ['vocabulary', 'structure', 'cohesion', 'clarity']:
            baseline = baseline_metrics[dimension]['normalized_score']
            current = current_metrics[dimension]['normalized_score']
            delta = current - baseline
            
            st.metric(
                dimension.title(),
                f"{current:.2f}",
                f"{delta:+.2f}",
                delta_color="normal" if delta >= 0 else "inverse"
            )
            
            # Sugerir herramientas de mejora
            if delta < 0:
                suggest_improvement_tools(dimension)
                
    with graph_col:
        display_radar_chart_comparison(
            baseline_metrics,
            current_metrics
        )

def suggest_improvement_tools(dimension):
    """Sugiere herramientas basadas en la dimensión"""
    suggestions = []
    for analysis, mapping in ANALYSIS_DIMENSION_MAPPING.items():
        if dimension in mapping['primary']:
            suggestions.extend(mapping['tools'])
    
    st.info(f"Herramientas sugeridas para mejorar {dimension}:")
    for tool in suggestions:
        st.write(f"- {tool}")

###################################

def display_results(metrics, text_type=None):
    """
    Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
    """
    try:
        # Usar valor por defecto si no se especifica tipo
        text_type = text_type or 'student_essay'
        
        # Obtener umbrales según el tipo de texto
        thresholds = TEXT_TYPES[text_type]['thresholds']

        # Crear dos columnas para las métricas y el gráfico
        metrics_col, graph_col = st.columns([1, 1.5])
        
        # Columna de métricas
        with metrics_col:
            metrics_config = [
                {
                    'label': "Vocabulario",
                    'key': 'vocabulary',
                    'value': metrics['vocabulary']['normalized_score'],
                    'help': "Riqueza y variedad del vocabulario",
                    'thresholds': thresholds['vocabulary']
                },
                {
                    'label': "Estructura",
                    'key': 'structure',
                    'value': metrics['structure']['normalized_score'],
                    'help': "Organización y complejidad de oraciones",
                    'thresholds': thresholds['structure']
                },
                {
                    'label': "Cohesión",
                    'key': 'cohesion',
                    'value': metrics['cohesion']['normalized_score'],
                    'help': "Conexión y fluidez entre ideas",
                    'thresholds': thresholds['cohesion']
                },
                {
                    'label': "Claridad",
                    'key': 'clarity',
                    'value': metrics['clarity']['normalized_score'],
                    'help': "Facilidad de comprensión del texto",
                    'thresholds': thresholds['clarity']
                }
            ]

            # Mostrar métricas
            for metric in metrics_config:
                value = metric['value']
                if value < metric['thresholds']['min']:
                    status = "⚠️ Por mejorar"
                    color = "inverse"
                elif value < metric['thresholds']['target']:
                    status = "📈 Aceptable"
                    color = "off"
                else:
                    status = "✅ Óptimo"
                    color = "normal"
                
                st.metric(
                    metric['label'],
                    f"{value:.2f}",
                    f"{status} (Meta: {metric['thresholds']['target']:.2f})",
                    delta_color=color,
                    help=metric['help']
                )
                st.markdown("<div style='margin-bottom: 0.5rem;'></div>", unsafe_allow_html=True)

        # Gráfico radar en la columna derecha
        with graph_col:
            display_radar_chart(metrics_config, thresholds)

    except Exception as e:
        logger.error(f"Error mostrando resultados: {str(e)}")
        st.error("Error al mostrar los resultados")

######################################

def display_radar_chart(metrics_config, thresholds, baseline_metrics=None):
    """
    Muestra el gráfico radar con los resultados.
    Args:
        metrics_config: Configuración actual de métricas
        thresholds: Umbrales para las métricas
        baseline_metrics: Métricas de línea base (opcional)
    """
    try:
        # Preparar datos para el gráfico
        categories = [m['label'] for m in metrics_config]
        values_current = [m['value'] for m in metrics_config]
        min_values = [m['thresholds']['min'] for m in metrics_config]
        target_values = [m['thresholds']['target'] for m in metrics_config]

        # Crear y configurar gráfico
        fig = plt.figure(figsize=(8, 8))
        ax = fig.add_subplot(111, projection='polar')

        # Configurar radar
        angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
        angles += angles[:1]
        values_current += values_current[:1]
        min_values += min_values[:1]
        target_values += target_values[:1]

        # Configurar ejes
        ax.set_xticks(angles[:-1])
        ax.set_xticklabels(categories, fontsize=10)
        circle_ticks = np.arange(0, 1.1, 0.2)
        ax.set_yticks(circle_ticks)
        ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
        ax.set_ylim(0, 1)

        # Dibujar áreas de umbrales
        ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, 
                label='Mínimo', alpha=0.5)
        ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, 
                label='Meta', alpha=0.5)
        ax.fill_between(angles, target_values, [1]*len(angles), 
                       color='#2ecc71', alpha=0.1)
        ax.fill_between(angles, [0]*len(angles), min_values, 
                       color='#e74c3c', alpha=0.1)

        # Si hay línea base, dibujarla primero
        if baseline_metrics is not None:
            values_baseline = [baseline_metrics[m['key']]['normalized_score'] 
                             for m in metrics_config]
            values_baseline += values_baseline[:1]
            ax.plot(angles, values_baseline, '#888888', linewidth=2, 
                   label='Línea base', linestyle='--')
            ax.fill(angles, values_baseline, '#888888', alpha=0.1)

        # Dibujar valores actuales
        label = 'Actual' if baseline_metrics else 'Tu escritura'
        color = '#3498db' if baseline_metrics else '#3498db'
        
        ax.plot(angles, values_current, color, linewidth=2, label=label)
        ax.fill(angles, values_current, color, alpha=0.2)

        # Ajustar leyenda
        legend_handles = []
        if baseline_metrics:
            legend_handles.extend([
                plt.Line2D([], [], color='#888888', linestyle='--', 
                          label='Línea base'),
                plt.Line2D([], [], color='#3498db', label='Actual')
            ])
        else:
            legend_handles.extend([
                plt.Line2D([], [], color='#3498db', label='Tu escritura')
            ])
        
        legend_handles.extend([
            plt.Line2D([], [], color='#e74c3c', linestyle='--', label='Mínimo'),
            plt.Line2D([], [], color='#2ecc71', linestyle='--', label='Meta')
        ])

        ax.legend(
            handles=legend_handles,
            loc='upper right',
            bbox_to_anchor=(1.3, 1.1),
            fontsize=10,
            frameon=True,
            facecolor='white',
            edgecolor='none',
            shadow=True
        )

        plt.tight_layout()
        st.pyplot(fig)
        plt.close()

    except Exception as e:
        logger.error(f"Error mostrando gráfico radar: {str(e)}")
        st.error("Error al mostrar el gráfico")

#######################################