# interface.py
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from PIL import Image
import io
import json
import traceback

from models import BioprocessModel # Asegúrate que esto apunta a tu models.py
# from decorators import gpu_decorator # Mantener comentado si usas Modal

# Variables globales inyectadas por modal_app.py o app.py
USE_MODAL_FOR_LLM_ANALYSIS = False
generate_analysis_from_modal = None 

def parse_bounds_str(bounds_str_input, num_params):
    bounds_str = str(bounds_str_input).strip()
    if not bounds_str:
        print(f"Cadena de límites vacía para {num_params} params. Usando (-inf, inf).")
        return [-np.inf] * num_params, [np.inf] * num_params

    try:
        bounds_str = bounds_str.lower().replace('inf', 'np.inf').replace('none', 'None')
        if not (bounds_str.startswith('[') and bounds_str.endswith(']')): # Asegurar que sea una lista
            bounds_str = f"[{bounds_str}]"
            
        parsed_bounds_list = eval(bounds_str, {'np': np, 'inf': np.inf, 'None': None}) # Evaluar con np
        
        if not isinstance(parsed_bounds_list, list):
            raise ValueError("La cadena de límites no evaluó a una lista.")

        if len(parsed_bounds_list) != num_params:
            raise ValueError(f"Número de tuplas de límites ({len(parsed_bounds_list)}) no coincide con el número de parámetros ({num_params}).")

        lower_bounds = []
        upper_bounds = []
        for item in parsed_bounds_list:
            if not (isinstance(item, (tuple, list)) and len(item) == 2):
                raise ValueError(f"Cada límite debe ser una tupla/lista de dos elementos (low, high). Se encontró: {item}")
            
            # Convertir a float y manejar None/np.nan
            low = -np.inf if (item[0] is None or (isinstance(item[0], float) and np.isnan(item[0]))) else float(item[0])
            high = np.inf if (item[1] is None or (isinstance(item[1], float) and np.isnan(item[1]))) else float(item[1])
            
            lower_bounds.append(low)
            upper_bounds.append(high)
            
        return lower_bounds, upper_bounds
    except Exception as e:
        print(f"Error al parsear los límites '{bounds_str_input}': {e}. Usando límites por defecto (-inf, inf).")
        return [-np.inf] * num_params, [np.inf] * num_params


def call_llm_analysis_service(prompt: str) -> str:
    if USE_MODAL_FOR_LLM_ANALYSIS and generate_analysis_from_modal:
        print("interface.py: Usando la función de análisis LLM de Modal...")
        try:
            return generate_analysis_from_modal(prompt)
        except Exception as e_modal_call:
            print(f"Error llamando a la función Modal LLM: {e_modal_call}")
            traceback.print_exc() # Imprimir el traceback de la llamada a Modal
            return f"Error al contactar el servicio de análisis IA (Modal): {e_modal_call}"
    else:
        print("interface.py: Usando la función de análisis LLM local (fallback)...")
        try:
            from config import MODEL_PATH, MAX_LENGTH, DEVICE # Importar configuración local
            from transformers import AutoTokenizer, AutoModelForCausalLM # Importaciones locales
            
            print(f"Fallback: Cargando modelo {MODEL_PATH} localmente en {DEVICE}...")
            tokenizer_local = AutoTokenizer.from_pretrained(MODEL_PATH)
            model_local = AutoModelForCausalLM.from_pretrained(MODEL_PATH).to(DEVICE)
            
            model_context_window = getattr(model_local.config, 'max_position_embeddings', getattr(model_local.config, 'sliding_window', 4096))
            max_prompt_len = model_context_window - MAX_LENGTH - 50 
            if max_prompt_len <= 0 : max_prompt_len = model_context_window // 2 

            inputs = tokenizer_local(prompt, return_tensors="pt", truncation=True, max_length=max_prompt_len).to(DEVICE)
            with torch.no_grad():
                outputs = model_local.generate(
                    **inputs,
                    max_new_tokens=MAX_LENGTH,
                    eos_token_id=tokenizer_local.eos_token_id,
                    pad_token_id=tokenizer_local.pad_token_id if tokenizer_local.pad_token_id else tokenizer_local.eos_token_id,
                    do_sample=True, temperature=0.6, top_p=0.9
                )
            input_len = inputs.input_ids.shape[1]
            analysis = tokenizer_local.decode(outputs[0][input_len:], skip_special_tokens=True)
            return analysis.strip()
        except Exception as e_local_llm:
            print(f"Error en el fallback LLM local: {e_local_llm}")
            traceback.print_exc()
            return f"Análisis (fallback local): Error al cargar/ejecutar modelo LLM local: {e_local_llm}."


def process_and_plot(
    file_obj,
    biomass_eq1_ui, biomass_eq2_ui, biomass_eq3_ui,
    biomass_param1_ui, biomass_param2_ui, biomass_param3_ui,
    biomass_bound1_ui, biomass_bound2_ui, biomass_bound3_ui,
    substrate_eq1_ui, substrate_eq2_ui, substrate_eq3_ui,
    substrate_param1_ui, substrate_param2_ui, substrate_param3_ui,
    substrate_bound1_ui, substrate_bound2_ui, substrate_bound3_ui,
    product_eq1_ui, product_eq2_ui, product_eq3_ui,
    product_param1_ui, product_param2_ui, product_param3_ui,
    product_bound1_ui, product_bound2_ui, product_bound3_ui,
    legend_position_ui,
    show_legend_ui,
    show_params_ui,
    biomass_eq_count_ui,
    substrate_eq_count_ui,
    product_eq_count_ui
):
    try: # Bloque try-except general para capturar cualquier error y retornar consistentemente
        analysis_text = "Iniciando análisis..."
        default_image = Image.new('RGB', (600, 400), color = 'white') # Imagen placeholder
        
        if file_obj is None:
            return default_image, "Error: Por favor, sube un archivo Excel."
        
        try:
            df = pd.read_excel(file_obj.name)
        except Exception as e:
            return default_image, f"Error al leer el archivo Excel: {e}\n{traceback.format_exc()}"

        expected_cols = ['Tiempo', 'Biomasa', 'Sustrato', 'Producto']
        for col in expected_cols:
            if col not in df.columns:
                return default_image, f"Error: La columna '{col}' no se encuentra en el archivo Excel."

        time_data = df['Tiempo'].values
        biomass_data_exp = df['Biomasa'].values
        substrate_data_exp = df['Sustrato'].values
        product_data_exp = df['Producto'].values

        active_biomass_eqs = int(biomass_eq_count_ui)
        active_substrate_eqs = int(substrate_eq_count_ui)
        active_product_eqs = int(product_eq_count_ui)

        all_eq_inputs = {
            'biomass': (
                [biomass_eq1_ui, biomass_eq2_ui, biomass_eq3_ui][:active_biomass_eqs],
                [biomass_param1_ui, biomass_param2_ui, biomass_param3_ui][:active_biomass_eqs],
                [biomass_bound1_ui, biomass_bound2_ui, biomass_bound3_ui][:active_biomass_eqs],
                biomass_data_exp
            ),
            'substrate': (
                [substrate_eq1_ui, substrate_eq2_ui, substrate_eq3_ui][:active_substrate_eqs],
                [substrate_param1_ui, substrate_param2_ui, substrate_param3_ui][:active_substrate_eqs],
                [substrate_bound1_ui, substrate_bound2_ui, substrate_bound3_ui][:active_substrate_eqs],
                substrate_data_exp
            ),
            'product': (
                [product_eq1_ui, product_eq2_ui, product_eq3_ui][:active_product_eqs],
                [product_param1_ui, product_param2_ui, product_param3_ui][:active_product_eqs],
                [product_bound1_ui, product_bound2_ui, product_bound3_ui][:active_product_eqs],
                product_data_exp
            )
        }

        model_handler = BioprocessModel()
        
        fitted_results_for_plot = {'biomass': [], 'substrate': [], 'product': []}
        results_for_llm_prompt = {'biomass': [], 'substrate': [], 'product': []}
        biomass_params_for_s_p = None

        for model_type, (eq_list, param_str_list, bound_str_list, exp_data) in all_eq_inputs.items():
            if not np.any(exp_data) and len(exp_data) > 0: # Check if all data points are zero or NaN
                print(f"Datos experimentales para {model_type} son todos cero o NaN, saltando ajuste.")
                continue

            for i in range(len(eq_list)):
                eq_str = eq_list[i]
                param_s = param_str_list[i]
                bound_s = bound_str_list[i]

                if not eq_str or not param_s:
                    print(f"Ecuación o parámetros vacíos para {model_type} #{i+1}, saltando.")
                    continue
                
                print(f"Procesando {model_type} #{i+1}: Eq='{eq_str}', Params='{param_s}'")

                try:
                    model_handler.set_model(model_type, eq_str, param_s)
                    num_p = len(model_handler.models[model_type]['params'])
                    l_b, u_b = parse_bounds_str(bound_s, num_p)
                    
                    current_biomass_params = biomass_params_for_s_p if model_type in ['substrate', 'product'] else None
                    
                    y_pred, popt = model_handler.fit_model(model_type, time_data, exp_data, bounds=(l_b, u_b), biomass_params_fitted=current_biomass_params)
                    
                    current_params = model_handler.params[model_type]
                    r2_val = model_handler.r2.get(model_type, float('nan'))
                    rmse_val = model_handler.rmse.get(model_type, float('nan'))

                    fitted_results_for_plot[model_type].append({
                        'equation': eq_str, 
                        'y_pred': y_pred, 
                        'params': current_params, 
                        'R2': r2_val
                    })
                    results_for_llm_prompt[model_type].append({
                        'equation': eq_str, 
                        'params_fitted': current_params, 
                        'R2': r2_val, 
                        'RMSE': rmse_val
                    })

                    if model_type == 'biomass' and biomass_params_for_s_p is None:
                        biomass_params_for_s_p = current_params
                        print(f"Parámetros de Biomasa (para S/P): {biomass_params_for_s_p}")

                except Exception as e:
                    error_msg = f"Error ajustando {model_type} #{i+1} ('{eq_str}'): {e}\n{traceback.format_exc()}"
                    print(error_msg)
                    return default_image, error_msg

        # Generar gráfico
        fig, axs = plt.subplots(3, 1, figsize=(10, 18), sharex=True)
        plot_config = {
            axs[0]: (biomass_data_exp, 'Biomasa', fitted_results_for_plot['biomasa']),
            axs[1]: (substrate_data_exp, 'Sustrato', fitted_results_for_plot['sustrato']),
            axs[2]: (product_data_exp, 'Producto', fitted_results_for_plot['producto'])
        }

        for ax, data_actual, ylabel, plot_results_list in plot_config.items():
            if np.any(data_actual): # Solo plotear si hay datos
                ax.plot(time_data, data_actual, 'o', label=f'Datos {ylabel}', markersize=5, alpha=0.7)
            else:
                ax.text(0.5, 0.5, f"No hay datos para {ylabel}", transform=ax.transAxes, ha='center', va='center', fontsize=12, color='gray')

            for idx, res_detail in enumerate(plot_results_list):
                label = f'Modelo {idx+1} (R²:{res_detail["R2"]:.3f})'
                ax.plot(time_data, res_detail['y_pred'], '-', label=label, linewidth=2)
            ax.set_xlabel('Tiempo')
            ax.set_ylabel(ylabel)
            ax.grid(True, linestyle=':', alpha=0.7)
            if show_legend_ui:
                ax.legend(loc=legend_position_ui, fontsize='small')
            
            if show_params_ui and plot_results_list:
                param_display_texts = []
                for idx, res_detail in enumerate(plot_results_list):
                    params_text = f"Modelo {idx+1}:\n" + "\n".join([f"  {k}: {v:.4g}" for k,v in res_detail['params'].items()])
                    param_display_texts.append(params_text)
                full_param_text = "\n---\n".join(param_display_texts)
                
                text_x_pos = 0.02
                text_y_pos = 0.98
                v_align = 'top'
                if legend_position_ui and 'upper' in legend_position_ui:
                    text_y_pos = 0.02
                    v_align = 'bottom'

                ax.text(text_x_pos, text_y_pos, full_param_text, transform=ax.transAxes, fontsize=7,
                        verticalalignment=v_align, bbox=dict(boxstyle='round,pad=0.3', fc='lightyellow', alpha=0.8))

        plt.tight_layout(rect=[0, 0, 1, 0.96])
        fig.suptitle("Resultados del Ajuste de Modelos Cinéticos", fontsize=16)
        
        buf = io.BytesIO()
        plt.savefig(buf, format='png', dpi=150)
        buf.seek(0)
        image = Image.open(buf)
        plt.close(fig)

        # Construir prompt para LLM y llamar al servicio
        prompt_intro = "Eres un experto en modelado cinético de bioprocesos. Analiza los siguientes resultados del ajuste de modelos a datos experimentales:\n\n"
        prompt_details = json.dumps(results_for_llm_prompt, indent=2, ensure_ascii=False)
        prompt_instructions = """\n\nPor favor, proporciona un análisis detallado y crítico en español, estructurado de la siguiente manera:
1.  **Resumen General:** Una breve descripción del experimento y qué se intentó modelar.
2.  **Análisis por Componente (Biomasa, Sustrato, Producto):**
    a.  Para cada ecuación probada:
        i.  Calidad del Ajuste: Evalúa el R² (cercano a 1 es ideal) y el RMSE (más bajo es mejor). Comenta si el ajuste es bueno, regular o pobre.
        ii. Interpretación de Parámetros: Explica brevemente qué representan los parámetros ajustados y si sus valores parecen razonables en un contexto de bioproceso (ej. tasas positivas, concentraciones no negativas).
        iii. Ecuación Específica: Menciona la ecuación usada.
    b.  Comparación (si se probó más de una ecuación para un componente): ¿Cuál ecuación proporcionó el mejor ajuste y por qué?
3.  **Problemas y Limitaciones:**
    a.  ¿Hay problemas evidentes (ej. R² muy bajo, parámetros físicamente no realistas, sobreajuste si se puede inferir, etc.)?
    b.  ¿Qué limitaciones podrían tener los modelos o el proceso de ajuste?
4.  **Sugerencias y Próximos Pasos:**
    a.  ¿Cómo se podría mejorar el modelado (ej. probar otras ecuaciones, transformar datos, revisar calidad de datos experimentales)?
    b.  ¿Qué experimentos adicionales podrían realizarse para validar o refinar los modelos?
5.  **Conclusión Final:** Un veredicto general conciso sobre el éxito del modelado y la utilidad de los resultados obtenidos.

Utiliza un lenguaje claro y accesible, pero manteniendo el rigor técnico. El análisis debe ser útil para alguien que busca entender la cinética de su bioproceso."""
        
        full_prompt = prompt_intro + prompt_details + prompt_instructions
        
        analysis_text = call_llm_analysis_service(full_prompt)

        return image, analysis_text

    except Exception as general_e:
        # Captura cualquier excepción no manejada y la muestra en la UI
        error_trace = traceback.format_exc()
        error_message_full = f"Error inesperado en process_and_plot: {general_e}\n{error_trace}"
        print(error_message_full)
        return Image.new('RGB', (600, 400), color = 'red'), error_message_full # Retorna imagen roja de error