# 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 # De TU models.py
# from decorators import gpu_decorator # No relevante para Modal

USE_MODAL_FOR_LLM_ANALYSIS = False
generate_analysis_from_modal = None 

def create_error_image(message="Error en procesamiento", width=600, height=400):
    # ... (sin cambios) ...
    img = Image.new('RGB', (width, height), color = (255, 200, 200))
    print(f"Generando imagen de error: {message}")
    return img

def parse_bounds_str(bounds_str_input, num_params):
    # ... (sin cambios, pero asegúrate que es la versión robusta de respuestas anteriores) ...
    bounds_str = str(bounds_str_input).strip()
    if not bounds_str:
        print(f"DEBUG (parse_bounds_str): 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(']')):
            bounds_str = f"[{bounds_str}]"
        parsed_bounds_list = eval(bounds_str, {'np': np, 'inf': np.inf, 'None': None})
        
        if not isinstance(parsed_bounds_list, list):
            raise ValueError("Cadena de límites no evaluó a una lista.")
        if len(parsed_bounds_list) != num_params:
            raise ValueError(f"Num límites ({len(parsed_bounds_list)}) != num params ({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"Límite debe ser (low, high). Se encontró: {item}")
            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)
        print(f"DEBUG (parse_bounds_str): Límites parseados: L={lower_bounds}, U={upper_bounds}")
        return lower_bounds, upper_bounds
    except Exception as e:
        print(f"ERROR (parse_bounds_str): Parseando '{bounds_str_input}': {e}. Usando por defecto (-inf, inf).")
        return [-np.inf] * num_params, [np.inf] * num_params


def call_llm_analysis_service(prompt: str) -> str:
    # ... (sin cambios) ...
    if USE_MODAL_FOR_LLM_ANALYSIS and generate_analysis_from_modal:
        print("DEBUG (interface.py): Llamando a Modal LLM...")
        try: return generate_analysis_from_modal(prompt)
        except Exception as e: print(f"ERROR (interface.py): Modal LLM: {e}"); traceback.print_exc(); return f"Error servicio IA: {e}"
    else:
        print("DEBUG (interface.py): Usando LLM local (fallback)...")
        try:
            from config import MODEL_PATH, MAX_LENGTH, DEVICE 
            from transformers import AutoTokenizer, AutoModelForCausalLM 
            import torch
            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: print(f"ERROR (interface.py): Fallback LLM: {e}"); traceback.print_exc(); return f"Error LLM local: {e}."


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
):
    print("\nDEBUG (interface.py): process_and_plot INICIADO.")
    error_img = create_error_image("Error inicial en procesamiento")
    error_analysis_text = "No se pudo generar el análisis debido a un error de inicialización."

    try:
        if file_obj is None:
            print("ERROR (interface.py): No se subió archivo.")
            return error_img, "Error: Por favor, sube un archivo Excel."
        print(f"DEBUG (interface.py): Archivo recibido: {file_obj.name}")
        
        try:
            df = pd.read_excel(file_obj.name)
            print(f"DEBUG (interface.py): Excel leído. Columnas: {df.columns.tolist()}")
        except Exception as e:
            return error_img, f"Error al leer el archivo Excel: {e}\n{traceback.format_exc()}"

        expected_cols = ['Tiempo', 'Biomasa', 'Sustrato', 'Producto']
        missing_cols = [col for col in expected_cols if col not in df.columns]
        if missing_cols:
            return error_img, f"Error: Faltan columnas en Excel: {', '.join(missing_cols)}."

        time_data = df['Tiempo'].values
        biomass_data_exp = df['Biomasa'].values
        substrate_data_exp = df['Sustrato'].values
        product_data_exp = df['Producto'].values
        print(f"DEBUG (interface.py): Datos extraídos. Longitud de tiempo: {len(time_data)}")

        try:
            active_biomass_eqs = int(float(biomass_eq_count_ui))
            active_substrate_eqs = int(float(substrate_eq_count_ui))
            active_product_eqs = int(float(product_eq_count_ui))
        except (TypeError, ValueError) as e_count:
             return error_img, f"Error: Número de ecuaciones inválido: {e_count}"
        print(f"DEBUG (interface.py): Counts: Bio={active_biomass_eqs}, Sub={active_substrate_eqs}, Prod={active_product_eqs}")

        all_eq_inputs = { # ... (sin cambios) ...
            '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_dict = None # Debe ser un dict para models.py

        for model_type, (eq_list, param_str_list, bound_str_list, exp_data) in all_eq_inputs.items():
            if not (isinstance(exp_data, np.ndarray) and exp_data.size > 0 and np.any(np.isfinite(exp_data))):
                print(f"INFO (interface.py): Datos experimentales para {model_type} no válidos o vacíos, saltando ajuste.")
                results_for_llm_prompt[model_type].append({'equation': 'N/A - Sin datos válidos', 'params_fitted': {}, 'R2': np.nan, 'RMSE': np.nan})
                continue

            for i in range(len(eq_list)):
                eq_str, param_s, bound_s = eq_list[i], param_str_list[i], bound_str_list[i]
                if not eq_str or not param_s:
                    print(f"INFO (interface.py): Ecuación o parámetros vacíos para {model_type} #{i+1}, saltando.")
                    results_for_llm_prompt[model_type].append({'equation': eq_str if eq_str else 'Ecuación Vacía', 'params_fitted': {}, 'R2': np.nan, 'RMSE': np.nan, 'error': 'Ecuación o parámetros vacíos'})
                    continue
                
                print(f"\nDEBUG (interface.py): 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)
                    
                    # Pasar biomass_params_fitted si es sustrato o producto
                    current_biomass_params_for_fit = biomass_params_for_s_p_dict if model_type in ['substrate', 'product'] else None
                    
                    print(f"DEBUG (interface.py): Llamando a fit_model para {model_type} #{i+1}")
                    y_pred, popt_values = model_handler.fit_model(model_type, time_data, exp_data, bounds=(l_b, u_b), biomass_params_fitted=current_biomass_params_for_fit)
                    print(f"DEBUG (interface.py): fit_model regresó para {model_type} #{i+1}. y_pred (primeros 5): {y_pred[:5] if y_pred is not None else 'None'}")

                    if y_pred is None or popt_values is None: # Chequear si fit_model indicó fallo
                        print(f"ERROR (interface.py): Ajuste falló (y_pred o popt es None) para {model_type} #{i+1}.")
                        results_for_llm_prompt[model_type].append({'equation': eq_str, 'params_fitted': {}, 'R2': np.nan, 'RMSE': np.nan, 'error': 'Fallo en curve_fit'})
                        continue # Saltar al siguiente modelo/ecuación

                    current_params = model_handler.params.get(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_dict is None and current_params:
                        biomass_params_for_s_p_dict = current_params # Guardar como dict
                        print(f"DEBUG (interface.py): Parámetros de Biomasa (para S/P) guardados: {biomass_params_for_s_p_dict}")

                except Exception as e_fit_loop:
                    error_msg = f"Error en bucle de ajuste para {model_type} #{i+1} ('{eq_str}'): {e_fit_loop}\n{traceback.format_exc()}"
                    print(error_msg)
                    results_for_llm_prompt[model_type].append({'equation': eq_str, 'params_fitted': {}, 'R2': np.nan, 'RMSE': np.nan, 'error': str(e_fit_loop)})
                    # Considerar si continuar con otros modelos o retornar error general
                    # Por ahora, continuamos para intentar ajustar otros modelos si es posible

        # Generar gráfico
        print("DEBUG (interface.py): Generando gráfico...")
        fig, axs = plt.subplots(3, 1, figsize=(10, 18), sharex=True)
        # ... (resto de la lógica de graficación, como en tu versión completa, sin cambios significativos) ...
        plot_config_map = {axs[0]:(biomass_data_exp,'Biomasa',fitted_results_for_plot['biomass']), axs[1]:(substrate_data_exp,'Sustrato',fitted_results_for_plot['sustrato']), axs[2]:(product_data_exp,'Producto',fitted_results_for_plot['product'])}
        any_plot_successful = False
        for ax, data_actual, ylabel, plot_results in plot_config_map.items():
            if isinstance(data_actual, np.ndarray) and data_actual.size > 0 and np.any(np.isfinite(data_actual)):
                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')
            for idx, res_detail in enumerate(plot_results):
                if res_detail.get('y_pred') is not None and np.any(np.isfinite(res_detail['y_pred'])): # Solo plotear si y_pred es válido
                    label = f'Modelo {idx+1} (R²:{res_detail.get("R2", float("nan")):.3f})'
                    ax.plot(time_data, res_detail['y_pred'], '-', label=label, linewidth=2)
                    any_plot_successful = True
            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:
                param_display_texts = [f"Modelo {idx+1}:\n" + "\n".join([f"  {k}: {v:.4g}" for k,v in res_d.get('params',{}).items()]) for idx, res_d in enumerate(plot_results) if res_d.get('params')]
                if param_display_texts: ax.text(0.02,0.98 if not ('upper' in legend_position_ui) else 0.02,"\n---\n".join(param_display_texts),transform=ax.transAxes,fontsize=7,verticalalignment='top' if not ('upper' in legend_position_ui) else 'bottom',bbox=dict(boxstyle='round,pad=0.3',fc='lightyellow',alpha=0.8))
        
        if not any_plot_successful: # Si ningún modelo se ajustó o y_pred fue NaN
            print("WARN (interface.py): Ningún modelo produjo un gráfico válido.")
            # Podrías dibujar algo en la figura para indicar esto
            axs[0].text(0.5, 0.5, "Ningún modelo se pudo ajustar o graficar.", transform=axs[0].transAxes, ha='center', va='center', fontsize=12, color='red')


        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_pil = Image.open(buf); plt.close(fig)
        print("DEBUG (interface.py): Gráfico generado.")

        # Construir prompt y llamar a LLM
        # ... (sin cambios en la lógica del prompt) ...
        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.
        iv. Errores: Si hubo un error durante el ajuste para esta ecuación específica, menciónalo.
    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
        print("DEBUG (interface.py): Prompt para LLM generado. Llamando al servicio LLM...")
        analysis_text_llm = call_llm_analysis_service(full_prompt)
        print("DEBUG (interface.py): Análisis LLM recibido.")

        return image_pil, analysis_text_llm

    except Exception as general_e:
        error_trace = traceback.format_exc()
        error_message_full = f"Error GENERAL INESPERADO en process_and_plot: {general_e}\n{error_trace}"
        print(error_message_full)
        return create_error_image(f"Error General: {general_e}"), error_message_full