import streamlit as st
from streamlit_option_menu import option_menu
import pandas as pd
import pickle
import lime
import lime.lime_tabular
import streamlit.components.v1 as components
from PIL import Image
import seaborn as sns
import matplotlib.pyplot as plt

# 1=sidebar menu, 2=horizontal menu, 3=horizontal menu w/ custom menu
EXAMPLE_NO = 3
st.set_page_config(layout='wide')
st.markdown("""
        <style>
               .block-container {
                    padding-top: 2rem;
                    padding-bottom: 0rem;
                    padding-left: 1rem;
                    padding-right: 1rem;
                }
        </style>
        """, unsafe_allow_html=True)

def streamlit_menu(example=1):
    if example == 1:
        # 1. as sidebar menu
        with st.sidebar:
            selected = option_menu(
                menu_title="Main Menu",  # required
                options=["Home", "Projects", "Prédiction"],  # required
                icons=["house", "book", "envelope"],  # optional
                menu_icon="cast",  # optional
                default_index=0,  # optional
            )
        return selected

    if example == 2:
        # 2. horizontal menu w/o custom style
        selected = option_menu(
            menu_title=None,  # required
            options=[ "Projects","Home", "Prédiction"],  # required
            icons=["house", "book", "envelope"],  # optional
            menu_icon="cast",  # optional
            default_index=0,  # optional
            orientation="horizontal",
        )
        return selected

    if example == 3:
        # 2. horizontal menu with custom style
        selected = option_menu(
            menu_title=None,  # required
            options=["Home", "Projects", "Prédiction"],  # required
            icons=["house", "book", "envelope"],  # optional
            menu_icon="cast",  # optional
            default_index=0,  # optional
            orientation="horizontal",
            styles={
                "container": {"padding": "0!important", "background-color": "#fafafa"},
                "icon": {"color": "orange", "font-size": "25px"},
                "nav-link": {
                    "font-size": "25px",
                    "text-align": "left",
                    "margin": "0px",
                    "--hover-color": "#eee",
                },
                "nav-link-selected": {"background-color": "skyblue"},
            },
        )
        return selected


selected = streamlit_menu(example=EXAMPLE_NO)

if selected == "Home":
    # st.title(f"You have selected {selected}")
    # Load your trained model
    with open('model.pkl', 'rb') as file:
        model = pickle.load(file)

    obesity_mapping = {
        0: 'Normal',
        1: 'Surpoid\Obése'
    }
    # Define the input features for the user to input
    def user_input_features():
        age = st.number_input('Age:',min_value=8, max_value=19, value=19, step=1, format="%d")    
        classe = st.radio('Classe_', ('Primaire','Secondaire'))
        Zone = st.radio('zone', ('Rurale', 'Urbaine'))
        Voler = st.radio('Voler', ('Oui', 'Non'))
        Diversité  = st.radio('Diversité', ('Mauvaise', 'Bonne'))
        Region = st.selectbox(
            'Region de  ', 
            ('Nord_ouest' ,'Sud_ouest', 'Ouest')
        )
        Source_eau=st.selectbox(
            'Provenence  ', 
            ('Camwater','Eau_de_surface','forage','Puits','Eau_minérale')
        )
        Sexe = st.radio('Genre', ('F', 'M'))
        

        Zone = 1 if Zone == 'Rurale' else 0
        classe = 1 if classe == 'Primaire' else 0
        Diversité = 1 if Diversité == 'Mauvaise' else 0
        Region = ['Nord_ouest' ,'Sud_ouest', 'Ouest'].index(Region)
        Source_eau=['Camwater','Eau_de_surface','forage','Puits','Eau_minérale'].index(Source_eau)
        sex_f = 1 if Sexe == 'F' else 0
        sex_m = 1 if Sexe == 'M' else 0

        data = {
            'Region': Region,
            'Zone': Zone,
            'Classe': classe,
            'Age': age,
            'Diversité': Diversité,
            'Voler': Voler,
            'Source_eau':Source_eau,
            'Genre_F': sex_f,
            'Genre_M': sex_m
        }
        features = pd.DataFrame(data, index=[0])
        return features

    # st.title('Obesity  App')

    # Display the input fields
    input_df = user_input_features()
    # Convertir toutes les colonnes non numériques en numérique si possible
    input_df = input_df.apply(pd.to_numeric, errors='coerce')

# Remplacer les NaN par une valeur arbitraire (par exemple 0) si nécessaire
    input_df = input_df.fillna(0)

    # Initialiser LIME
    explainer = lime.lime_tabular.LimeTabularExplainer(
        training_data=input_df.values,  # Entraînement sur la base des données d'entrée
        feature_names=input_df.columns, 
        class_names=[obesity_mapping[0], obesity_mapping[1]], 
        mode='classification'
    )

    # Predict button
    if st.button('Predict'):
        # Make a prediction
        prediction = model.predict(input_df)
        prediction_proba = model.predict_proba(input_df)[0]

        data = {
            'Statut nutritionnel': [obesity_mapping[i] for i in range(len(prediction_proba))],
            'Probabilité': prediction_proba
        }

        # Create a dataframe to display the results
        result_df = pd.DataFrame(data)

        # Transpose the dataframe to have obesity types as columns and add a row header
        result_df = result_df.T
        result_df.columns = result_df.iloc[0]
        result_df = result_df.drop(result_df.index[0])
        result_df.index = ['Probability']

        # Display the results in a table with proper formatting
        st.table(result_df.style.format("{:.4f}"))
        # Générer l'explication LIME pour l'individu
        # exp = explainer.explain_instance(input_df.values[0], model.predict_proba, num_features=5)

        # # Afficher les explications dans Streamlit
        # st.subheader('Explication LIME')
        # exp.show_in_notebook(show_table=True, show_all=False)
        # st.write(exp.as_list())
        # Générer l'explication LIME pour l'individu
        exp = explainer.explain_instance(input_df.values[0], model.predict_proba, num_features=4)

        # Récupérer l'explication LIME sous forme HTML
        explanation_html = exp.as_html()

        # Afficher l'explication LIME dans Streamlit
        st.subheader('Explication LIME')
        
        # Utiliser Streamlit pour afficher du HTML
        components.html(explanation_html, height=800)  # Ajuster la hauteur selon le contenu



if selected == "Projects":
    st.image("az.JPEG", caption="Description de l'image", use_column_width=True)
if selected == "Prédiction":
    # Ouvrir l'image avec Pillow
    image = Image.open("az.JPEG")

    # Redimensionner l'image (largeur, hauteur)
    image = image.resize((300, 200))  # Par exemple, 300x200 pixels

    # Afficher l'image redimensionnée
    st.image(image, caption="Image redimensionnée", use_column_width=False)
    # Titre de l'application
    st.title("Visualisation des données avec Seaborn et Pandas")

    # Charger le fichier CSV
    uploaded_file = st.file_uploader("Choisissez un fichier", type=["csv", "xlsx", "json"])

    if uploaded_file is not None:
        # Lecture du fichier CSV
        file_extension = uploaded_file.name.split('.')[-1]
        if file_extension == 'csv':
        # Lecture du fichier CSV
            df = pd.read_csv(uploaded_file)
        elif file_extension == 'xlsx':
        # Lecture du fichier Excel
            df = pd.read_excel(uploaded_file)
        elif file_extension == 'json':
        # Lecture du fichier JSON
            df = pd.read_json(uploaded_file)
        else:
            st.error("Format de fichier non supporté!")
    

        # Afficher le dataframe
        st.write("Aperçu du dataset :")
        st.write(df.head())

        # Afficher les statistiques descriptives
        st.write("Statistiques descriptives :")
        st.write(df.describe())

        # Sélection des variables pour les visualisations
        numerical_columns = df.select_dtypes(include=['float64', 'int64']).columns.tolist()
        categorical_columns = df.select_dtypes(include=['object', 'category']).columns.tolist()

        # Distribution d'une variable
        st.subheader("Distribution d'une variable numérique")
        selected_column = st.selectbox("Choisissez une variable numérique", numerical_columns)
        if st.button("Afficher la distribution"):
            fig, ax = plt.subplots(figsize=(5, 6))
            sns.histplot(df[selected_column], kde=True, ax=ax)
            st.pyplot(fig)

        # Scatter plot
        st.subheader("Scatter Plot entre deux variables numériques")
        x_axis = st.selectbox("Choisissez la variable pour l'axe X", numerical_columns)
        y_axis = st.selectbox("Choisissez la variable pour l'axe Y", numerical_columns, key='scatter')
        if st.button("Afficher le scatter plot"):
            fig, ax = plt.subplots(figsize=(8, 4))
            sns.scatterplot(x=df[x_axis], y=df[y_axis], ax=ax)
            st.pyplot(fig)

        # Boxplot
        st.subheader("Boxplot d'une variable numérique par rapport à une variable catégorielle")
        selected_categorical = st.selectbox("Choisissez une variable catégorielle", categorical_columns)
        selected_numerical = st.selectbox("Choisissez une variable numérique", numerical_columns, key='boxplot')
        if st.button("Afficher le boxplot"):
            fig, ax = plt.subplots(figsize=(8, 4))
            sns.boxplot(x=df[selected_categorical], y=df[selected_numerical], ax=ax)
            st.pyplot(fig)