app.py

import gradio as gr
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from datetime import datetime
import docx
from docx.shared import Inches, Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import os
from matplotlib.colors import to_hex

def safe_color(c):
    if isinstance(c, str):
        c = c.strip()
        if c.lower().startswith('rgba('):
            vals = c.strip('rgba()').split(',')
            vals = [v.strip() for v in vals]
            if len(vals) == 4:
                r, g, b, a = [float(x) for x in vals]
                r = r/255.0 if r > 1 else r
                g = g/255.0 if g > 1 else g
                b = b/255.0 if b > 1 else b
                c = to_hex((r, g, b, a))
    return c

def ajustar_decimales_evento(df, decimales):
    df = df.copy()
    for col in df.columns:
        try:
            df[col] = pd.to_numeric(df[col], errors='ignore')
            df[col] = df[col].round(decimales)
        except:
            pass
    return df

def calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales):
    df = df.copy()
    col_replicas = [c for c in df.columns if c.startswith("Absorbancia Real") and f"({unidad_replicas})" in c and "Promedio" not in c and "Desviación" not in c]

    for col in col_replicas:
        df[col] = pd.to_numeric(df[col], errors='coerce')

    if len(col_replicas) > 0:
        df[f"Absorbancia Real Promedio ({unidad_replicas})"] = df[col_replicas].mean(axis=1)
    else:
        df[f"Absorbancia Real Promedio ({unidad_replicas})"] = np.nan

    if len(col_replicas) > 1:
        df[f"Desviación Estándar ({unidad_replicas})"] = df[col_replicas].std(ddof=1, axis=1)
    else:
        df[f"Desviación Estándar ({unidad_replicas})"] = 0.0

    df[f"Absorbancia Real Promedio ({unidad_replicas})"] = df[f"Absorbancia Real Promedio ({unidad_replicas})"].round(decimales)
    df[f"Desviación Estándar ({unidad_replicas})"] = df[f"Desviación Estándar ({unidad_replicas})"].round(decimales)

    return df

def generar_graficos(df_valid, n_replicas, unidad_predicha, unidad_replicas,
                     color_puntos, estilo_puntos,
                     color_linea_ajuste, estilo_linea_ajuste,
                     color_barras_error,
                     mostrar_linea_ajuste, mostrar_puntos):

    color_puntos = safe_color(color_puntos)
    color_linea_ajuste = safe_color(color_linea_ajuste)
    color_barras_error = safe_color(color_barras_error)

    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})"
    col_desviacion = f"Desviación Estándar ({unidad_replicas})"

    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')
    df_valid[col_desviacion] = pd.to_numeric(df_valid[col_desviacion], errors='coerce').fillna(0)

    if df_valid.empty or df_valid[col_predicha].isna().all() or df_valid[col_real_promedio].isna().all():
        fig = plt.figure()
        plt.text(0.5,0.5,"Datos insuficientes para generar el gráfico",ha='center',va='center')
        return fig

    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]

    sns.set(style="whitegrid")
    plt.rcParams.update({'figure.autolayout': True})

    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

    if mostrar_puntos:
        if n_replicas > 1:
            ax1.errorbar(
                df_valid[col_predicha],
                df_valid[col_real_promedio],
                yerr=df_valid[col_desviacion],
                fmt=estilo_puntos,
                color=color_puntos,
                ecolor=color_barras_error,
                elinewidth=2,
                capsize=3,
                label='Datos Reales'
            )
        else:
            ax1.scatter(
                df_valid[col_predicha],
                df_valid[col_real_promedio],
                color=color_puntos,
                s=100,
                label='Datos Reales',
                marker=estilo_puntos
            )

    if mostrar_linea_ajuste:
        ax1.plot(
            df_valid[col_predicha],
            df_valid['Ajuste Lineal'],
            color=color_linea_ajuste,
            label='Ajuste Lineal',
            linewidth=2,
            linestyle=estilo_linea_ajuste
        )

    ax1.set_title('Correlación entre Concentración Predicha y Absorbancia Real', fontsize=14)
    ax1.set_xlabel(f'Concentración Predicha ({unidad_predicha})', fontsize=12)
    ax1.set_ylabel(f'Absorbancia Real Promedio ({unidad_replicas})', fontsize=12)

    ax1.annotate(
        f'y = {intercept:.3f} + {slope:.3f}x\n$R^2$ = {r_value**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    ax1.legend(loc='lower right', fontsize=10)

    residuos = df_valid[col_real_promedio] - df_valid['Ajuste Lineal']
    ax2.scatter(
        df_valid[col_predicha],
        residuos,
        color=color_puntos,
        s=100,
        marker=estilo_puntos,
        label='Residuos'
    )

    ax2.axhline(y=0, color='black', linestyle='--', linewidth=1)
    ax2.set_title('Gráfico de Residuos', fontsize=14)
    ax2.set_xlabel(f'Concentración Predicha ({unidad_predicha})', fontsize=12)
    ax2.set_ylabel('Residuo', fontsize=12)
    ax2.legend(loc='upper right', fontsize=10)

    plt.tight_layout()
    plt.savefig('grafico.png')  
    return fig

def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
    evaluacion = {
        "calidad": "",
        "recomendaciones": [],
        "estado": "✅" if r_squared >= 0.95 and cv_percent <= 15 else "⚠️"
    }

    if r_squared >= 0.95:
        evaluacion["calidad"] = "Excelente"
    elif r_squared >= 0.90:
        evaluacion["calidad"] = "Buena"
    elif r_squared >= 0.85:
        evaluacion["calidad"] = "Regular"
    else:
        evaluacion["calidad"] = "Deficiente"

    if r_squared < 0.95:
        evaluacion["recomendaciones"].append("- Considere repetir algunas mediciones para mejorar la correlación")

    if cv_percent > 15:
        evaluacion["recomendaciones"].append("- La variabilidad es alta. Revise el procedimiento de dilución")

    mean_val = df_valid[df_valid.columns[-1]].astype(float).mean() if not df_valid.empty else 1
    if mean_val == 0:
        mean_val = 1
    if rmse > 0.1 * mean_val:
        evaluacion["recomendaciones"].append("- El error de predicción es significativo. Verifique la técnica de medición")

    return evaluacion

def generar_informe_completo(df_valid, n_replicas, unidad_predicha, unidad_replicas):
    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})"

    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')

    if len(df_valid) < 2:
        informe = "# Informe de Calibración ⚠️\nNo hay suficientes datos para calcular la regresión."
        return informe, "⚠️"

    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio])
    r_squared = r_value ** 2
    rmse = np.sqrt(((df_valid[col_real_promedio] - (intercept + slope * df_valid[col_predicha])) ** 2).mean())
    cv = (df_valid[col_real_promedio].std() / df_valid[col_real_promedio].mean()) * 100 if df_valid[col_real_promedio].mean() != 0 else 0

    evaluacion = evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv)

    informe = f"""# Informe de Calibración {evaluacion['estado']}
Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}
## Resumen Estadístico
- **Ecuación de Regresión**: y = {intercept:.4f} + {slope:.4f}x
- **Coeficiente de correlación (r)**: {r_value:.4f}
- **Coeficiente de determinación ($R^2$)**: {r_squared:.4f}
- **Valor p**: {p_value:.4e}
- **Error estándar de la pendiente**: {std_err:.4f}
- **Error cuadrático medio (RMSE)**: {rmse:.4f}
- **Coeficiente de variación (CV)**: {cv:.2f}%
## Evaluación de Calidad
- **Calidad de la calibración**: {evaluacion['calidad']}
## Recomendaciones
{chr(10).join(evaluacion['recomendaciones']) if evaluacion['recomendaciones'] else "No hay recomendaciones específicas. La calibración cumple con los criterios de calidad."}
## Decisión
{("✅ APROBADO - La calibración cumple con los criterios de calidad establecidos" if evaluacion['estado'] == "✅" else "⚠️ REQUIERE REVISIÓN - La calibración necesita ajustes según las recomendaciones anteriores")}
---
*Nota: Este informe fue generado automáticamente. Por favor, revise los resultados y valide según sus criterios específicos.*
"""
    return informe, evaluacion['estado']

def actualizar_analisis(df, n_replicas, unidad_predicha, unidad_replicas, filas_seleccionadas, decimales):
    if df is None or df.empty:
        return "Error en los datos", None, "No se pueden generar análisis", df

    if not filas_seleccionadas:
        return "Se necesitan más datos", None, "No se han seleccionado filas para el análisis", df

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]

    df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales)

    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})"

    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')

    df_valid = df.dropna(subset=[col_predicha, col_real_promedio])
    df_valid.reset_index(drop=True, inplace=True)

    df_valid = df_valid.loc[indices_seleccionados]

    if len(df_valid) < 2:
        return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis", df

    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]

    fig = generar_graficos(
        df_valid, n_replicas, unidad_predicha, unidad_replicas,
        color_puntos="#0000FF", estilo_puntos='o',
        color_linea_ajuste="#00FF00", estilo_linea_ajuste='-',
        color_barras_error="#FFA500",
        mostrar_linea_ajuste=True,
        mostrar_puntos=True
    )
    informe, estado = generar_informe_completo(df_valid, n_replicas, unidad_predicha, unidad_replicas)

    return estado, fig, informe, df

def exportar_informe_word(df_valid, informe_md, unidad_predicha, unidad_replicas):
    doc = docx.Document()

    style = doc.styles['Normal']
    font = style.font
    font.name = 'Times New Roman'
    font.size = Pt(12)

    titulo = doc.add_heading('Informe de Calibración', 0)
    titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    fecha = doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}")
    fecha.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    if os.path.exists('grafico.png'):
        doc.add_picture('grafico.png', width=Inches(6))
        ultimo_parrafo = doc.paragraphs[-1]
        ultimo_parrafo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
        leyenda = doc.add_paragraph('Figura 1. Gráfico de calibración.')
        leyenda_format = leyenda.paragraph_format
        leyenda_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
        leyenda.style = doc.styles['Caption']

    doc.add_heading('Resumen Estadístico', level=1)
    for linea in informe_md.split('\n'):
        if linea.startswith('##'):
            doc.add_heading(linea.replace('##', '').strip(), level=2)
        else:
            doc.add_paragraph(linea)

    doc.add_heading('Tabla de Datos de Calibración', level=1)
    tabla_datos = df_valid.reset_index(drop=True)
    tabla_datos = tabla_datos.round(4)
    columnas = tabla_datos.columns.tolist()
    registros = tabla_datos.values.tolist()

    tabla = doc.add_table(rows=1 + len(registros), cols=len(columnas))
    tabla.style = 'Table Grid'

    hdr_cells = tabla.rows[0].cells
    for idx, col_name in enumerate(columnas):
        hdr_cells[idx].text = col_name

    for i, registro in enumerate(registros):
        row_cells = tabla.rows[i + 1].cells
        for j, valor in enumerate(registro):
            row_cells[j].text = str(valor)

    for row in tabla.rows:
        for cell in row.cells:
            for paragraph in cell.paragraphs:
                paragraph.style = doc.styles['Normal']

    filename = 'informe_calibracion.docx'
    doc.save(filename)
    return filename

def exportar_informe_latex(df_valid, informe_md):
    informe_tex = r"""\documentclass{article}
\usepackage[spanish]{babel}
\usepackage{amsmath}
\usepackage{graphicx}
\usepackage{booktabs}
\begin{document}
"""
    informe_tex += informe_md.replace('#', '').replace('**', '\\textbf{').replace('*', '\\textit{')
    informe_tex += r"""
\end{document}
"""
    filename = 'informe_calibracion.tex'
    with open(filename, 'w') as f:
        f.write(informe_tex)
    return filename

def exportar_word(df, informe_md, unidad_predicha, unidad_replicas, filas_seleccionadas):
    df_valid = df.copy()
    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    col_real_promedio = [c for c in df_valid.columns if 'Absorbancia Real Promedio' in c][0] if any('Absorbancia Real Promedio' in c for c in df_valid.columns) else None

    if col_predicha in df_valid.columns:
        df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    if col_real_promedio:
        df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')
    df_valid = df_valid.dropna(subset=[col_predicha] if col_predicha else df_valid.columns[0], how='all')
    df_valid.reset_index(drop=True, inplace=True)

    if not filas_seleccionadas:
        return None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas if s.split(' ')[1].isdigit() and int(s.split(' ')[1]) - 1 < len(df_valid)]
    if indices_seleccionados:
        df_valid = df_valid.loc[indices_seleccionados]
    else:
        df_valid = df_valid.iloc[:0]

    if df_valid.empty:
        return None

    filename = exportar_informe_word(df_valid, informe_md, unidad_predicha, unidad_replicas)
    return filename

def exportar_latex(df, informe_md, filas_seleccionadas):
    df_valid = df.copy()
    col_predicha = [c for c in df_valid.columns if 'Concentración Predicha' in c]
    col_predicha = col_predicha[0] if col_predicha else None
    col_real_promedio = [col for col in df_valid.columns if 'Absorbancia Real Promedio' in col][0] if any('Absorbancia Real Promedio' in c for c in df_valid.columns) else None

    if col_predicha and col_predicha in df_valid.columns:
        df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
    if col_real_promedio:
        df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')

    df_valid = df_valid.dropna(subset=[col_predicha] if col_predicha else df_valid.columns[0], how='all')
    df_valid.reset_index(drop=True, inplace=True)

    if not filas_seleccionadas:
        return None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas if s.split(' ')[1].isdigit() and int(s.split(' ')[1]) - 1 < len(df_valid)]
    if indices_seleccionados:
        df_valid = df_valid.loc[indices_seleccionados]
    else:
        df_valid = df_valid.iloc[:0]

    if df_valid.empty:
        return None

    filename = exportar_informe_latex(df_valid, informe_md)
    return filename

def limpiar_datos(n_replicas):
    unidad_predicha = "mg/L"
    unidad_replicas = "Abs"

    df = pd.DataFrame({
        "Solución": [1/(2**i) for i in range(7)],
        "H2O": [1-(1/(2**i)) for i in range(7)],
        "Factor de Dilución": [(1/(1/(2**i))) for i in range(7)],
        f"Concentración Predicha ({unidad_predicha})": [2000000/(1/(1/(2**i))) for i in range(7)]
    })
    for i in range(1, n_replicas+1):
        df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan

    return (
        2000000,
        unidad_predicha,
        7,
        df,
        "",
        None,
        ""
    )

def generar_datos_sinteticos_evento(df, n_replicas, unidad_predicha, unidad_replicas):
    df = df.copy()
    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    if col_predicha in df.columns:
        df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
        for i in range(1, n_replicas + 1):
            col_real = f"Absorbancia Real {i} ({unidad_replicas})"
            desviacion_std = 0.05 * df[col_predicha].mean()
            valores_predichos = df[col_predicha].dropna().values
            if len(valores_predichos) == 0:
                continue
            datos_sinteticos = valores_predichos + np.random.normal(0, desviacion_std, size=len(valores_predichos))
            datos_sinteticos = np.maximum(0, datos_sinteticos)
            datos_sinteticos = np.round(datos_sinteticos, 3)
            df.loc[df[col_predicha].notna(), col_real] = datos_sinteticos
    return df

def actualizar_tabla_evento(df, n_filas, conc, unidad_predicha, unidad_replicas, n_replicas, decimales):
    df = df.copy()
    if len(df) > n_filas:
        df = df.iloc[:n_filas].reset_index(drop=True)
    else:
        for i in range(len(df), n_filas):
            df.loc[i, df.columns] = np.nan
    df = ajustar_decimales_evento(df, decimales)
    return df

def cargar_excel(file):
    all_sheets = pd.read_excel(file.name, sheet_name=None)

    if len(all_sheets) < 3:
        return "El archivo debe tener al menos tres pestañas (Hoja1, Hoja2, Hoja3).", None, None, None, None, None, None, ""

    sheet_names = list(all_sheets.keys())
    sheet1_name = sheet_names[0]
    sheet2_name = sheet_names[1]
    sheet3_name = sheet_names[2]

    df_sheet1 = all_sheets[sheet1_name]
    df_sheet2 = all_sheets[sheet2_name]
    df_sheet3 = all_sheets[sheet3_name]

    df_base = df_sheet1.iloc[:, :4].copy()

    pred_col = df_base.columns[-1]
    unidad_predicha = "mg/L"
    try:
        if "(" in pred_col and ")" in pred_col:
            unidad_predicha = pred_col.split("(")[1].split(")")[0].strip()
    except:
        unidad_predicha = "mg/L"

    unidad_replicas = "Abs"

    concentracion_inicial = 2000000.0

    n_filas = len(df_base)
    n_replicas = 2

    df_sistema = df_base.copy()

    col_replica_1 = df_sheet2.iloc[:n_filas, 1].values if df_sheet2.shape[1] > 1 else df_sheet2.iloc[:n_filas,0].values
    col_replica_2 = df_sheet3.iloc[:n_filas, 1].values if df_sheet3.shape[1] > 1 else df_sheet3.iloc[:n_filas,0].values

    df_sistema[f"Absorbancia Real 1 ({unidad_replicas})"] = col_replica_1
    df_sistema[f"Absorbancia Real 2 ({unidad_replicas})"] = col_replica_2

    return concentracion_inicial, unidad_predicha, n_filas, n_replicas, df_sistema, "", None, ""

def actualizar_opciones_filas(df):
    if df is None or df.empty:
        update = gr.update(choices=[], value=[])
    else:
        opciones = [f"Fila {i+1}" for i in df.index]
        update = gr.update(choices=opciones, value=opciones)
    return update, update

def calcular_regresion_tabla_principal(df, unidad_predicha, unidad_replicas, filas_seleccionadas_regresion,
                                       color_puntos, estilo_puntos,
                                       color_linea_ajuste, estilo_linea_ajuste,
                                       mostrar_linea_ajuste, mostrar_puntos,
                                       legend_location, decimales,
                                       titulo_grafico_original, titulo_grafico_personalizado,
                                       eje_x_original, eje_y_original,
                                       eje_x_personalizado, eje_y_personalizado):

    if df is None or df.empty:
        return "Datos insuficientes", None, None, None

    color_puntos = safe_color(color_puntos)
    color_linea_ajuste = safe_color(color_linea_ajuste)

    col_predicha = f"Concentración Predicha ({unidad_predicha})"
    col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})"
    col_desviacion = f"Desviación Estándar ({unidad_replicas})"

    n_replicas = len([c for c in df.columns if 'Absorbancia Real ' in c and 'Promedio' not in c and 'Desviación' not in c])
    df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales)

    if col_predicha not in df.columns or col_real_promedio not in df.columns:
        return "Faltan columnas necesarias", None, None, None

    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')
    df[col_desviacion] = pd.to_numeric(df[col_desviacion], errors='coerce').fillna(0)

    df_valid = df.dropna(subset=[col_predicha, col_real_promedio])
    df_valid.reset_index(drop=True, inplace=True)

    df_original = df_valid.copy()

    if not filas_seleccionadas_regresion:
        return "Se necesitan más datos", None, None, None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas_regresion]
    if len(indices_seleccionados) < 2:
        return "Se requieren al menos dos puntos para calcular la regresión", None, None, None

    df_valid = df_valid.loc[indices_seleccionados]

    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real_promedio])

    sns.set(style="whitegrid")
    fig_original, ax_original = plt.subplots(figsize=(8, 6))

    # Gráfico Original
    ax_original.errorbar(
        df_original[col_predicha],
        df_original[col_real_promedio],
        yerr=df_original[col_desviacion],
        fmt=estilo_puntos,
        color=color_puntos,
        ecolor='gray',
        elinewidth=1,
        capsize=3,
        label='Datos'
    )

    slope_all, intercept_all, r_value_all, p_value_all, std_err_all = stats.linregress(df_original[col_predicha], df_original[col_real_promedio])

    ax_original.plot(
        df_original[col_predicha],
        intercept_all + slope_all * df_original[col_predicha],
        color=color_linea_ajuste,
        linestyle='-',
        label='Ajuste Lineal'
    )

    ax_original.set_xlabel(eje_x_original if eje_x_original else f'Concentración Predicha ({unidad_predicha})')
    ax_original.set_ylabel(eje_y_original if eje_y_original else f'Absorbancia Real Promedio ({unidad_replicas})')
    ax_original.set_title(titulo_grafico_original if titulo_grafico_original else 'Regresión Lineal: Absorbancia Real vs Concentración Predicha (Original)')
    ax_original.legend(loc=legend_location)

    ax_original.annotate(
        f'y = {intercept_all:.4f} + {slope_all:.4f}x\n$R^2$ = {r_value_all**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    # Gráfico Personalizado
    sns.set(style="whitegrid")
    fig_personalizado, ax_personalizado = plt.subplots(figsize=(8, 6))

    if mostrar_puntos:
        ax_personalizado.errorbar(
            df_valid[col_predicha],
            df_valid[col_real_promedio],
            yerr=df_valid[col_desviacion],
            fmt=estilo_puntos,
            color=color_puntos,
            ecolor='gray',
            elinewidth=1,
            capsize=3,
            label='Datos'
        )

    if mostrar_linea_ajuste:
        ax_personalizado.plot(
            df_valid[col_predicha],
            intercept + slope * df_valid[col_predicha],
            color=color_linea_ajuste,
            linestyle=estilo_linea_ajuste,
            label='Ajuste Lineal'
        )

    ax_personalizado.set_xlabel(eje_x_personalizado if eje_x_personalizado else f'Concentración Predicha ({unidad_predicha})')
    ax_personalizado.set_ylabel(eje_y_personalizado if eje_y_personalizado else f'Absorbancia Real Promedio ({unidad_replicas})')
    ax_personalizado.set_title(titulo_grafico_personalizado if titulo_grafico_personalizado else 'Regresión Lineal Personalizada')
    ax_personalizado.legend(loc=legend_location)

    ax_personalizado.annotate(
        f'y = {intercept:.4f} + {slope:.4f}x\n$R^2$ = {r_value**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    df_resumen = df_valid[[col_predicha, col_real_promedio, col_desviacion]].copy()
    df_resumen.columns = [f'Concentración Predicha ({unidad_predicha})', 'Absorbancia Promedio', 'Desviación Estándar']

    return "Regresión calculada exitosamente", fig_original, fig_personalizado, df_resumen

def iniciar_con_ejemplo():
    unidad_predicha = "mg/L"
    unidad_replicas = "Abs"
    df = pd.DataFrame({
        "Solución": [1.00,0.80,0.67,0.60,0.53,0.47,0.40],
        "H2O": [0.00,0.20,0.33,0.40,0.47,0.53,0.60],
        "Factor de Dilución": [1.00,1.25,1.50,1.67,1.87,2.14,2.50],
        f"Concentración Predicha ({unidad_predicha})": [150,120,100,90,80,70,60],
        f"Absorbancia Real 1 ({unidad_replicas})": [1.715,1.089,0.941,0.552,0.703,0.801,0.516]
    })
    n_replicas = 1
    estado, fig, informe, df = actualizar_analisis(df, n_replicas, unidad_predicha, unidad_replicas, [f"Fila {i+1}" for i in df.index], 3)
    return (
        2000000,
        unidad_predicha,
        unidad_replicas,
        7,
        df,
        estado,
        fig,
        informe,
        [f"Fila {i+1}" for i in df.index],
        3
    )

import gradio as gr

with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
    gr.Markdown("""
    # 📊 Sistema Avanzado de Calibración con Análisis Estadístico

    En esta interfaz puede:
    - Ingresar y/o cargar datos de calibración.
    - Ajustar unidades, número de decimales, réplicas, etc.
    - Calcular la regresión, visualizar gráficos y generar informes.

    **Sugerencia:** Cargue sus datos o use un ejemplo, luego presione "Calcular" para obtener el análisis.
    """)

    with gr.Tab("📝 Datos de Calibración"):
        gr.Markdown("""
        ### Ingrese Parámetros Iniciales
        Ajuste las unidades y la concentración inicial, así como el número de filas y réplicas para la tabla.
        """)
        with gr.Row():
            with gr.Column():
                concentracion_input = gr.Number(
                    value=2000000,
                    label="Concentración Inicial",
                    precision=0
                )
                unidad_predicha_input = gr.Textbox(
                    value="mg/L",
                    label="Unidad de Medida (Predicha)",
                    placeholder="Ejemplo: mg/L"
                )
                unidad_replicas_input = gr.Textbox(
                    value="UFC",
                    label="Unidad de Medida (Absorbancias)",
                    placeholder="Ejemplo: Abs, OD, UFC, etc."
                )
                
            with gr.Column():
                filas_slider = gr.Slider(
                    minimum=1,
                    maximum=20,
                    value=7,
                    step=1,
                    label="Número de Filas"
                )
                decimales_slider = gr.Slider(
                    minimum=0,
                    maximum=5,
                    value=3,
                    step=1,
                    label="Número de Decimales"
                )
                replicas_slider = gr.Slider(
                    minimum=1,
                    maximum=10,
                    value=1,
                    step=1,
                    label="Número de Réplicas"
                )
        
        with gr.Row():
            with gr.Column():
                gr.Markdown("### Acciones sobre la Tabla")
                calcular_btn = gr.Button("🔄 Calcular", variant="primary")
                ajustar_decimales_btn = gr.Button("🛠 Ajustar Decimales", variant="secondary")
                limpiar_btn = gr.Button("🗑 Limpiar Datos", variant="secondary")
            
            with gr.Column():
                gr.Markdown("### Ejemplos y Carga de Datos")
                ejemplo_ufc_btn = gr.Button("📋 Cargar Ejemplo UFC", variant="secondary")
                ejemplo_od_btn = gr.Button("📋 Cargar Ejemplo OD", variant="secondary")
                sinteticos_btn = gr.Button("🧪 Generar Datos Sintéticos", variant="secondary")
                cargar_excel_btn = gr.UploadButton("📂 Cargar Excel", file_types=[".xlsx"], variant="secondary")

        gr.Markdown("### Tabla de Datos")
        tabla_output = gr.DataFrame(
            wrap=True,
            label="Tabla de Datos",
            interactive=True,
            type="pandas",
        )

    with gr.Tab("📊 Análisis y Reporte"):
        gr.Markdown("""
        ### Análisis y Resultados
        Seleccione las filas a utilizar en el análisis y presione Calcular. Ajuste colores y estilo según su preferencia.
        """)
        with gr.Row():
            filas_seleccionadas = gr.CheckboxGroup(
                label="Seleccione filas para el análisis",
                choices=[],
                value=[],
            )

        with gr.Row():
            with gr.Column():
                color_puntos_picker = gr.ColorPicker(label="Color de Puntos", value="#0000FF")
                estilo_puntos_dropdown = gr.Dropdown(
                    choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"],
                    value="o",
                    label="Estilo de Punto"
                )
            
            with gr.Column():
                color_linea_ajuste_picker = gr.ColorPicker(label="Color de la Línea de Ajuste", value="#00FF00")
                estilo_linea_ajuste_dropdown = gr.Dropdown(
                    choices=["-", "--", "-.", ":"],
                    value="-",
                    label="Estilo Línea de Ajuste"
                )
            
            with gr.Column():
                color_barras_error_picker = gr.ColorPicker(label="Color Barras de Error", value="#FFA500")
                mostrar_linea_ajuste = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste")
                mostrar_puntos = gr.Checkbox(value=True, label="Mostrar Puntos")

        with gr.Row():
            graficar_btn = gr.Button("📊 Graficar", variant="primary")
            recalcular_btn = gr.Button("🔄 Recalcular", variant="secondary")

        estado_output = gr.Textbox(label="Estado del Análisis", interactive=False)
        graficos_output = gr.Plot(label="Gráficos de Análisis")
        informe_output = gr.Markdown(elem_id="informe_output")

        gr.Markdown("### Exportar Informe")
        with gr.Row():
            copiar_btn = gr.Button("📋 Copiar Informe", variant="secondary")
            exportar_word_btn = gr.Button("💾 Exportar Informe Word", variant="primary")
            exportar_latex_btn = gr.Button("💾 Exportar Informe LaTeX", variant="primary")

        with gr.Row():
            exportar_word_file = gr.File(label="Informe en Word")
            exportar_latex_file = gr.File(label="Informe en LaTeX")

    with gr.Tab("📈 Regresión Absorbancia vs Concentración"):
        gr.Markdown("""
        ### Análisis de Regresión Adicional
        Seleccione nuevamente las filas para la regresión y personalice los gráficos.
        """)

        filas_seleccionadas_regresion = gr.CheckboxGroup(
            label="Seleccione filas para la regresión",
            choices=[],
            value=[],
        )

        with gr.Row():
            color_puntos_regresion_picker = gr.ColorPicker(label="Color Puntos (Regresión)", value="#0000FF")
            estilo_puntos_regresion = gr.Dropdown(
                choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"],
                value="o",
                label="Estilo de Puntos (Regresión)"
            )
            color_linea_ajuste_regresion_picker = gr.ColorPicker(label="Color Línea Ajuste (Regresión)", value="#00FF00")
            estilo_linea_ajuste_regresion = gr.Dropdown(
                choices=["-", "--", "-.", ":"],
                value="-",
                label="Estilo Línea de Ajuste (Regresión)"
            )
            mostrar_linea_ajuste_regresion = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste (Regresión)")
            mostrar_puntos_regresion = gr.Checkbox(value=True, label="Mostrar Puntos (Regresión)")

        legend_location_dropdown = gr.Dropdown(
            choices=[
                'best', 'upper right', 'upper left', 'lower left', 'lower right',
                'right', 'center left', 'center right', 'lower center',
                'upper center', 'center'
            ],
            value='lower right',
            label='Ubicación de la Leyenda'
        )

        with gr.Row():
            titulo_grafico_original = gr.Textbox(
                label="Título del Gráfico Original",
                placeholder="Ej: Regresión Lineal: Abs vs Conc (Original)"
            )
            titulo_grafico_personalizado = gr.Textbox(
                label="Título del Gráfico Personalizado",
                placeholder="Ej: Regresión Lineal Personalizada"
            )

        with gr.Row():
            eje_x_original = gr.Textbox(
                label="Etiqueta Eje X (Original)",
                placeholder="Concentración Predicha (mg/L)"
            )
            eje_y_original = gr.Textbox(
                label="Etiqueta Eje Y (Original)",
                placeholder="Absorbancia Real Promedio (UFC)"
            )

        with gr.Row():
            eje_x_personalizado = gr.Textbox(
                label="Etiqueta Eje X (Personalizado)",
                placeholder="Concentración Predicha (mg/L)"
            )
            eje_y_personalizado = gr.Textbox(
                label="Etiqueta Eje Y (Personalizado)",
                placeholder="Absorbancia Real Promedio (UFC)"
            )

        calcular_regresion_btn = gr.Button("Calcular Regresión")

        estado_regresion_output = gr.Textbox(label="Estado de la Regresión", interactive=False)
        grafico_original_output = gr.Plot(label="Gráfico Original")
        grafico_personalizado_output = gr.Plot(label="Gráfico Personalizado")
        tabla_resumen_output = gr.DataFrame(label="Tabla Resumida")

    tabla_output.change(
        fn=actualizar_opciones_filas,
        inputs=[tabla_output],
        outputs=[filas_seleccionadas, filas_seleccionadas_regresion]
    )

    calcular_btn.click(
        fn=actualizar_analisis,
        inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas, decimales_slider],
        outputs=[estado_output, graficos_output, informe_output, tabla_output]
    )

    def actualizar_graficos_custom(df, n_replicas, unidad_predicha, unidad_replicas,
                                   color_puntos, estilo_puntos,
                                   color_linea_ajuste, estilo_linea_ajuste,
                                   color_barras_error,
                                   mostrar_linea_ajuste, mostrar_puntos,
                                   filas_seleccionadas, decimales):
        if df is None or df.empty:
            return None

        df = calcular_promedio_desviacion(df, n_replicas, unidad_predicha, unidad_replicas, decimales)

        col_predicha = f"Concentración Predicha ({unidad_predicha})"
        col_real_promedio = f"Absorbancia Real Promedio ({unidad_replicas})"

        df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
        df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')

        df_valid = df.dropna(subset=[col_predicha, col_real_promedio])
        df_valid.reset_index(drop=True, inplace=True)

        if not filas_seleccionadas:
            return None

        indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]
        df_valid = df_valid.loc[indices_seleccionados]

        if len(df_valid) < 2:
            return None

        fig = generar_graficos(
            df_valid, n_replicas, unidad_predicha, unidad_replicas,
            color_puntos, estilo_puntos,
            color_linea_ajuste, estilo_linea_ajuste,
            color_barras_error,
            mostrar_linea_ajuste, mostrar_puntos
        )
        return fig

    graficar_btn.click(
        fn=actualizar_graficos_custom,
        inputs=[
            tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input,
            color_puntos_picker, estilo_puntos_dropdown,
            color_linea_ajuste_picker, estilo_linea_ajuste_dropdown,
            color_barras_error_picker,
            mostrar_linea_ajuste, mostrar_puntos,
            filas_seleccionadas, decimales_slider
        ],
        outputs=graficos_output
    )

    recalcular_btn.click(
        fn=actualizar_analisis,
        inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas, decimales_slider],
        outputs=[estado_output, graficos_output, informe_output, tabla_output]
    )

    def resetear_valores():
        return gr.update(value=True), gr.update(value=True)

    calcular_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos])
    limpiar_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos])
    ajustar_decimales_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos])
    sinteticos_btn.click(fn=resetear_valores, outputs=[mostrar_linea_ajuste, mostrar_puntos])

    limpiar_btn.click(
        fn=limpiar_datos,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_predicha_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

    def cargar_ejemplo_ufc(n_replicas):
        unidad_predicha = "mg/L"
        unidad_replicas = "Abs"
        df = pd.DataFrame({
            "Solución": [1.00,0.80,0.67,0.60,0.53,0.47,0.40],
            "H2O": [0.00,0.20,0.33,0.40,0.47,0.53,0.60],
            "Factor de Dilución": [1.00,1.25,1.50,1.67,1.87,2.14,2.50],
            f"Concentración Predicha ({unidad_predicha})": [150,120,100,90,80,70,60]
        })
        for i in range(1, n_replicas + 1):
            df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan
        return 2000000, unidad_predicha, unidad_replicas, 7, df

    def cargar_ejemplo_od(n_replicas):
        unidad_predicha = "mg/L"
        unidad_replicas = "OD"
        df = pd.DataFrame({
            "Solución": [1.00,0.80,0.60,0.40,0.20,0.10,0.05],
            "H2O": [0.00,0.20,0.40,0.60,0.80,0.90,0.95],
            "Factor de Dilución": [1.00,1.25,1.67,2.50,5.00,10.00,20.00],
            f"Concentración Predicha ({unidad_predicha})": [1.0,0.8,0.6,0.4,0.2,0.1,0.05]
        })
        for i in range(1, n_replicas + 1):
            df[f"Absorbancia Real {i} ({unidad_replicas})"] = np.nan
        return 1.000, unidad_predicha, unidad_replicas, 7, df

    ejemplo_ufc_btn.click(
        fn=cargar_ejemplo_ufc,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output]
    )

    ejemplo_od_btn.click(
        fn=cargar_ejemplo_od,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output]
    )

    sinteticos_btn.click(
        fn=generar_datos_sinteticos_evento,
        inputs=[tabla_output, replicas_slider, unidad_predicha_input, unidad_replicas_input],
        outputs=tabla_output
    )

    cargar_excel_btn.upload(
        fn=cargar_excel,
        inputs=[cargar_excel_btn],
        outputs=[concentracion_input, unidad_predicha_input, filas_slider, replicas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

    ajustar_decimales_btn.click(
        fn=ajustar_decimales_evento,
        inputs=[tabla_output, decimales_slider],
        outputs=tabla_output
    )

    def actualizar_tabla_wrapper(df, filas, conc, unidad_predicha, unidad_replicas, replicas, decimales):
        return actualizar_tabla_evento(df, filas, conc, unidad_predicha, unidad_replicas, replicas, decimales)

    concentracion_input.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    unidad_predicha_input.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    unidad_replicas_input.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    filas_slider.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    replicas_slider.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_predicha_input, unidad_replicas_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    decimales_slider.change(
        fn=ajustar_decimales_evento,
        inputs=[tabla_output, decimales_slider],
        outputs=tabla_output
    )

    copiar_btn.click(
        None,
        [],
        [],
        js="""
        function() {
            const informeElement = document.querySelector('#informe_output');
            const range = document.createRange();
            range.selectNode(informeElement);
            window.getSelection().removeAllRanges();
            window.getSelection().addRange(range);
            document.execCommand('copy');
            window.getSelection().removeAllRanges();
            alert('Informe copiado al portapapeles');
        }
        """
    )

    exportar_word_btn.click(
        fn=exportar_word,
        inputs=[tabla_output, informe_output, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas],
        outputs=exportar_word_file
    )

    exportar_latex_btn.click(
        fn=exportar_latex,
        inputs=[tabla_output, informe_output, filas_seleccionadas],
        outputs=exportar_latex_file
    )

    interfaz.load(
        fn=iniciar_con_ejemplo,
        outputs=[concentracion_input, unidad_predicha_input, unidad_replicas_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider]
    )

    calcular_regresion_btn.click(
        fn=calcular_regresion_tabla_principal,
        inputs=[
            tabla_output, unidad_predicha_input, unidad_replicas_input, filas_seleccionadas_regresion,
            color_puntos_regresion_picker, estilo_puntos_regresion,
            color_linea_ajuste_regresion_picker, estilo_linea_ajuste_regresion,
            mostrar_linea_ajuste_regresion, mostrar_puntos_regresion,
            legend_location_dropdown, decimales_slider,
            titulo_grafico_original, titulo_grafico_personalizado,
            eje_x_original, eje_y_original,
            eje_x_personalizado, eje_y_personalizado
        ],
        outputs=[estado_regresion_output, grafico_original_output, grafico_personalizado_output, tabla_resumen_output]
    )

if __name__ == "__main__":
    interfaz.launch()