import numpy as np
import pandas as pd
import random
from gensim.models import Word2Vec
import gradio as gr
from sklearn.decomposition import PCA
import plotly.graph_objects as go


# Word2Vec 모델 학습 함수
def train_word2vec(sentences):
    # model = Word2Vec(sentences, vector_size=100, window=4, min_count=6, workers=4, sg=0, epochs=100)
    model = Word2Vec(sentences, vector_size=50, window=4, min_count=1, sg=0, epochs=100)
    return model

def apply_pca(word_vectors):
    pca = PCA(n_components=3)
    return pca.fit_transform(word_vectors)


def get_unique(model):
    vocablist1=list(model.wv.index_to_key)
    vocablist =[]
    for i in vocablist1:
        vocablist.append(i)
    return vocablist

def train_model(sentence):
    # 전처리
    sentences=sentence

    # Word2Vec 모델 학습
    model = train_word2vec(sentences)
    unique_words = get_unique(model)
    
    return  model, unique_words

def process_model(target_word):
    target_word =target_word.lower()        #################
    
    # Word2Vec 모델 로드
    model = Word2Vec.load("word2vec.model")
    unique_words = get_unique(model)

    # 각 단어의 임베딩 벡터 추출
    word_vectors = np.array([model.wv[word] for word in unique_words])

    # PCA로 차원 축소
    word_vectors_3d = apply_pca(word_vectors)

    # 색상 설정 (투명도 추가)
    colors = ['rgba(255, 255, 255, 0.15)' if word != target_word else 'rgba(255, 20, 147, 0.9)' for word in unique_words]

    # 가장 가까운 단어 10개 찾기
    if target_word in model.wv:
        similar_words = model.wv.most_similar(target_word, topn=10)
        similar_word_indices = [unique_words.index(word) for word, _ in similar_words]
        for idx in similar_word_indices:
            colors[idx] = 'rgba(255, 165, 0, 1)'  # 가까운 단어들을 주황색으로 표시

    # 가장 먼 단어 10개 찾기
    if target_word in model.wv:
        all_words = model.wv.index_to_key  # 모델에 포함된 모든 단어 리스트
        dissimilar_words = sorted(
            [(word, model.wv.similarity(target_word, word)) for word in all_words if word != target_word],
            key=lambda x: x[1]
        )[:10]  # 유사도가 가장 낮은 10개 단어 선택

        dissimilar_word_indices = [unique_words.index(word) for word, _ in dissimilar_words]
        for idx in dissimilar_word_indices:
            colors[idx] = 'rgba(138, 43, 226, 0.8)'  # 가장 먼 단어들을 보라색으로 표시

            
    # Plotly를 사용한 3D 산점도 생성
    fig = go.Figure(data=[go.Scatter3d(
        x=word_vectors_3d[:, 0],
        y=word_vectors_3d[:, 1],
        z=word_vectors_3d[:, 2],
        mode='markers+text',
        text=unique_words,
        textposition="top center",
        marker=dict(
            size=4,
            color=colors,
        )
    )])

    fig.update_layout(
        title="Word Embeddings 3D Visualization",
        scene=dict(
            xaxis_title="X",
            yaxis_title="Y",
            zaxis_title="Z"
        ),
        width=1100,
        height=900
    )

    # 가장 가까운 단어 10개 목록 생성
    similar_words_text = ""
    if target_word in model.wv:
        similar_words_text = "\n".join([f"{word}: {score:.4f}" for word, score in similar_words])

    dissimlar_words_Text=""
    if target_word in model.wv:
        dissimilar_words_text = "\n".join([f"{word}: {score:.4f}" for word, score in dissimilar_words])

    return fig, similar_words_text, dissimilar_words_text



# Gradio 인터페이스 수정
with gr.Blocks(css=".plot-box {width: 70%; height: 500px;}") as iface:
    gr.Markdown("# Word Embedding 3D 시각화")
    gr.Markdown("<Inside Out 2> 단어 의미 지도(임베딩 벡터) 3D 시각화 도구")

    with gr.Row():
        # 사용자 입력 박스를 강조하기 위해 스타일을 변경
        with gr.Column():
            word_input = gr.Textbox(label="**단어 입력**", elem_id="input-box", placeholder="ex. emotion, puberty, hockey, friend, anxiety, memory, ...", lines=1)
            submit_btn = gr.Button("제출", elem_id="submit-btn")
        bulletin = gr.Textbox(label="사용법 안내", interactive=False, lines=4,  value="1. 소설에 나온 단어를 입력하고 [제출] 버튼이나 [Enter]를 누르세요 \n2.  입력 단어는 빨간색, 가까운 단어들은 주황색, 먼 단어들은 보라색으로 강조됩니다. \n3.  <Error>가 나타나는 경우, 다른 단어를 입력해보세요.\n4.  마우스 드래그 및 스크롤을 활용하여 3D 화면을 살펴보세요. \n5.  단어 입력창에 다른 단어들도 입력해보세요.")

    with gr.Row():
        # 시각화 화면의 크기를 CSS로 증가
        plot_output = gr.Plot(label="Word Embedding 3D 시각화", elem_id="plot-box")

        with gr.Column(scale=0.3):  # 컬럼의 너비를 줄이기 위해 scale 값을 낮춤
            similar_words_output = gr.Textbox(label="가장 가까운 단어 10개", interactive=False, lines=5)
            dissimilar_words_output = gr.Textbox(label="가장 먼 단어 10개", interactive=False, lines=5)
            gr.Image(value="https://compote.slate.com/images/8324cd2e-21f5-4b20-84d5-f08ece97ac38.jpeg?crop=1560%2C1040%2Cx0%2Cy0&width=1280", label="URL 이미지", interactive=False)

    submit_btn.click(
        fn=process_text,
        # word_input = word_input.lower(),
        inputs=[word_input],
        outputs=[plot_output, similar_words_output, dissimilar_words_output],
        # preprocess=lambda word: word.lower() if word else ""  # None 체크 후 소문자 변환
        )

        # "Enter" 키 입력 시 동작 설정
    word_input.submit(
        fn=process_text,
        # word_input = word_input.lower(),
        inputs=[word_input],
        outputs=[plot_output, similar_words_output, dissimilar_words_output],
        preprocess=lambda word: word.lower() if word else ""  # None 체크 후 소문자 변환
    )

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