app.py

import numpy as np
import pandas as pd
import statsmodels.formula.api as smf
import statsmodels.api as sm
import plotly.graph_objects as go
from scipy.optimize import minimize
import plotly.express as px
from scipy.stats import t, f
import gradio as gr
import io
import zipfile
import tempfile
from datetime import datetime
import docx
from docx.shared import Inches, Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
from matplotlib.colors import to_hex
import os

# --- Clase RSM_BoxBehnken ---
class RSM_BoxBehnken:
    def __init__(self, data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels):
        """
        Inicializa la clase con los datos del diseño Box-Behnken.
        """
        self.data = data.copy()
        self.model = None
        self.model_simplified = None
        self.optimized_results = None
        self.optimal_levels = None
        self.all_figures = []  # Lista para almacenar las figuras
        self.x1_name = x1_name
        self.x2_name = x2_name
        self.x3_name = x3_name
        self.y_name = y_name

        # Niveles originales de las variables
        self.x1_levels = x1_levels
        self.x2_levels = x2_levels
        self.x3_levels = x3_levels

    def get_levels(self, variable_name):
        """
        Obtiene los niveles para una variable específica.
        """
        if variable_name == self.x1_name:
            return self.x1_levels
        elif variable_name == self.x2_name:
            return self.x2_levels
        elif variable_name == self.x3_name:
            return self.x3_levels
        else:
            raise ValueError(f"Variable desconocida: {variable_name}")

    def fit_model(self):
        """
        Ajusta el modelo de segundo orden completo a los datos.
        """
        formula = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + {self.x3_name} + ' \
                  f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2) + ' \
                  f'{self.x1_name}:{self.x2_name} + {self.x1_name}:{self.x3_name} + {self.x2_name}:{self.x3_name}'
        self.model = smf.ols(formula, data=self.data).fit()
        print("Modelo Completo:")
        print(self.model.summary())
        return self.model, self.pareto_chart(self.model, "Pareto - Modelo Completo")

    def fit_simplified_model(self):
        """
        Ajusta el modelo de segundo orden a los datos, eliminando términos no significativos.
        """
        formula = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + ' \
                  f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2)'
        self.model_simplified = smf.ols(formula, data=self.data).fit()
        print("\nModelo Simplificado:")
        print(self.model_simplified.summary())
        return self.model_simplified, self.pareto_chart(self.model_simplified, "Pareto - Modelo Simplificado")

    def optimize(self, method='Nelder-Mead'):
        """
        Encuentra los niveles óptimos de los factores para maximizar la respuesta usando el modelo simplificado.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return

        def objective_function(x):
            return -self.model_simplified.predict(pd.DataFrame({
                self.x1_name: [x[0]],
                self.x2_name: [x[1]],
                self.x3_name: [x[2]]
            })).values[0]

        bounds = [(-1, 1), (-1, 1), (-1, 1)]
        x0 = [0, 0, 0]

        self.optimized_results = minimize(objective_function, x0, method=method, bounds=bounds)
        self.optimal_levels = self.optimized_results.x

        # Convertir niveles óptimos de codificados a naturales
        optimal_levels_natural = [
            self.coded_to_natural(self.optimal_levels[0], self.x1_name),
            self.coded_to_natural(self.optimal_levels[1], self.x2_name),
            self.coded_to_natural(self.optimal_levels[2], self.x3_name)
        ]
        # Crear la tabla de optimización
        optimization_table = pd.DataFrame({
            'Variable': [self.x1_name, self.x2_name, self.x3_name],
            'Nivel Óptimo (Natural)': optimal_levels_natural,
            'Nivel Óptimo (Codificado)': self.optimal_levels
        })

        return optimization_table.round(3)  # Redondear a 3 decimales

    def plot_rsm_individual(self, fixed_variable, fixed_level):
        """
        Genera un gráfico de superficie de respuesta (RSM) individual para una configuración específica.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return None

        # Determinar las variables que varían y sus niveles naturales
        varying_variables = [var for var in [self.x1_name, self.x2_name, self.x3_name] if var != fixed_variable]
        
        # Establecer los niveles naturales para las variables que varían
        x_natural_levels = self.get_levels(varying_variables[0])
        y_natural_levels = self.get_levels(varying_variables[1])

        # Crear una malla de puntos para las variables que varían (en unidades naturales)
        x_range_natural = np.linspace(x_natural_levels[0], x_natural_levels[-1], 100)
        y_range_natural = np.linspace(y_natural_levels[0], y_natural_levels[-1], 100)
        x_grid_natural, y_grid_natural = np.meshgrid(x_range_natural, y_range_natural)

        # Convertir la malla de variables naturales a codificadas
        x_grid_coded = self.natural_to_coded(x_grid_natural, varying_variables[0])
        y_grid_coded = self.natural_to_coded(y_grid_natural, varying_variables[1])

        # Crear un DataFrame para la predicción con variables codificadas
        prediction_data = pd.DataFrame({
            varying_variables[0]: x_grid_coded.flatten(),
            varying_variables[1]: y_grid_coded.flatten(),
        })
        prediction_data[fixed_variable] = self.natural_to_coded(fixed_level, fixed_variable)

        # Calcular los valores predichos
        z_pred = self.model_simplified.predict(prediction_data).values.reshape(x_grid_coded.shape)

        # Filtrar por el nivel de la variable fija (en codificado)
        fixed_level_coded = self.natural_to_coded(fixed_level, fixed_variable)
        subset_data = self.data[np.isclose(self.data[fixed_variable], fixed_level_coded)]

        # Filtrar por niveles válidos en las variables que varían
        valid_levels = [-1, 0, 1]
        experiments_data = subset_data[
            subset_data[varying_variables[0]].isin(valid_levels) &
            subset_data[varying_variables[1]].isin(valid_levels)
        ]

        # Convertir coordenadas de experimentos a naturales
        experiments_x_natural = experiments_data[varying_variables[0]].apply(lambda x: self.coded_to_natural(x, varying_variables[0]))
        experiments_y_natural = experiments_data[varying_variables[1]].apply(lambda x: self.coded_to_natural(x, varying_variables[1]))

        # Crear el gráfico de superficie con variables naturales en los ejes y transparencia
        fig = go.Figure(data=[go.Surface(z=z_pred, x=x_grid_natural, y=y_grid_natural, colorscale='Viridis', opacity=0.7, showscale=True)])

        # --- Añadir cuadrícula a la superficie ---
        # Líneas en la dirección x
        for i in range(x_grid_natural.shape[0]):
            fig.add_trace(go.Scatter3d(
                x=x_grid_natural[i, :],
                y=y_grid_natural[i, :],
                z=z_pred[i, :],
                mode='lines',
                line=dict(color='gray', width=2),
                showlegend=False,
                hoverinfo='skip'
            ))
        # Líneas en la dirección y
        for j in range(x_grid_natural.shape[1]):
            fig.add_trace(go.Scatter3d(
                x=x_grid_natural[:, j],
                y=y_grid_natural[:, j],
                z=z_pred[:, j],
                mode='lines',
                line=dict(color='gray', width=2),
                showlegend=False,
                hoverinfo='skip'
            ))

        # --- Fin de la adición de la cuadrícula ---

        # Añadir los puntos de los experimentos en la superficie de respuesta con diferentes colores y etiquetas
        colors = px.colors.qualitative.Safe
        point_labels = [f"{row[self.y_name]:.3f}" for _, row in experiments_data.iterrows()]

        fig.add_trace(go.Scatter3d(
            x=experiments_x_natural,
            y=experiments_y_natural,
            z=experiments_data[self.y_name].round(3),
            mode='markers+text',
            marker=dict(size=4, color=colors[:len(experiments_x_natural)]),
            text=point_labels,
            textposition='top center',
            name='Experimentos'
        ))

        # Añadir etiquetas y título con variables naturales
        fig.update_layout(
            scene=dict(
                xaxis_title=f"{varying_variables[0]} ({self.get_units(varying_variables[0])})",
                yaxis_title=f"{varying_variables[1]} ({self.get_units(varying_variables[1])})",
                zaxis_title=self.y_name,
            ),
            title=f"{self.y_name} vs {varying_variables[0]} y {varying_variables[1]}<br><sup>{fixed_variable} fijo en {fixed_level:.3f} ({self.get_units(fixed_variable)}) (Modelo Simplificado)</sup>",
            height=800,
            width=1000,
            showlegend=True
        )
        return fig

    def get_units(self, variable_name):
        """
        Define las unidades de las variables para etiquetas.
        Puedes personalizar este método según tus necesidades.
        """
        units = {
            'Glucosa': 'g/L',
            'Extracto_de_Levadura': 'g/L',
            'Triptofano': 'g/L',
            'AIA_ppm': 'ppm'
        }
        return units.get(variable_name, '')

    def generate_all_plots(self):
        """
        Genera todas las gráficas de RSM, variando la variable fija y sus niveles usando el modelo simplificado.
        Almacena las figuras en self.all_figures.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return

        self.all_figures = []  # Resetear la lista de figuras

        # Niveles naturales para graficar
        levels_to_plot_natural = {
            self.x1_name: self.x1_levels,
            self.x2_name: self.x2_levels,
            self.x3_name: self.x3_levels
        }

        # Generar y almacenar gráficos individuales
        for fixed_variable in [self.x1_name, self.x2_name, self.x3_name]:
            for level in levels_to_plot_natural[fixed_variable]:
                fig = self.plot_rsm_individual(fixed_variable, level)
                if fig is not None:
                    self.all_figures.append(fig)

    def coded_to_natural(self, coded_value, variable_name):
        """Convierte un valor codificado a su valor natural."""
        levels = self.get_levels(variable_name)
        return levels[0] + (coded_value + 1) * (levels[-1] - levels[0]) / 2

    def natural_to_coded(self, natural_value, variable_name):
        """Convierte un valor natural a su valor codificado."""
        levels = self.get_levels(variable_name)
        return -1 + 2 * (natural_value - levels[0]) / (levels[-1] - levels[0])

    def pareto_chart(self, model, title):
        """
        Genera un diagrama de Pareto para los efectos usando estadísticos F,
        incluyendo la línea de significancia.
        """
        # Calcular los estadísticos F para cada término
        # F = (coef/std_err)^2 = t^2
        fvalues = model.tvalues[1:]**2  # Excluir la Intercept y convertir t a F
        abs_fvalues = np.abs(fvalues)
        sorted_idx = np.argsort(abs_fvalues)[::-1]
        sorted_fvalues = abs_fvalues[sorted_idx]
        sorted_names = fvalues.index[sorted_idx]

        # Calcular el valor crítico de F para la línea de significancia
        alpha = 0.05  # Nivel de significancia
        dof_num = 1  # Grados de libertad del numerador (cada término)
        dof_den = model.df_resid  # Grados de libertad residuales
        f_critical = f.ppf(1 - alpha, dof_num, dof_den)

        # Crear el diagrama de Pareto
        fig = px.bar(
            x=sorted_fvalues.round(3),
            y=sorted_names,
            orientation='h',
            labels={'x': 'Estadístico F', 'y': 'Término'},
            title=title
        )
        fig.update_yaxes(autorange="reversed")

        # Agregar la línea de significancia
        fig.add_vline(x=f_critical, line_dash="dot",
                     annotation_text=f"F crítico = {f_critical:.3f}",
                     annotation_position="bottom right")

        return fig

    def get_simplified_equation(self):
        """
        Retorna la ecuación del modelo simplificado como una cadena de texto.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return None

        coefficients = self.model_simplified.params
        equation = f"{self.y_name} = {coefficients['Intercept']:.3f}"

        for term, coef in coefficients.items():
            if term != 'Intercept':
                if term == f'{self.x1_name}':
                    equation += f" + {coef:.3f}*{self.x1_name}"
                elif term == f'{self.x2_name}':
                    equation += f" + {coef:.3f}*{self.x2_name}"
                elif term == f'{self.x3_name}':
                    equation += f" + {coef:.3f}*{self.x3_name}"
                elif term == f'I({self.x1_name} ** 2)':
                    equation += f" + {coef:.3f}*{self.x1_name}^2"
                elif term == f'I({self.x2_name} ** 2)':
                    equation += f" + {coef:.3f}*{self.x2_name}^2"
                elif term == f'I({self.x3_name} ** 2)':
                    equation += f" + {coef:.3f}*{self.x3_name}^2"

        return equation
    
    def generate_prediction_table(self):
        """
        Genera una tabla con los valores actuales, predichos y residuales.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return None

        self.data['Predicho'] = self.model_simplified.predict(self.data)
        self.data['Residual'] = self.data[self.y_name] - self.data['Predicho']

        return self.data[[self.y_name, 'Predicho', 'Residual']].round(3)

    def calculate_contribution_percentage(self):
        """
        Calcula el porcentaje de contribución de cada factor usando estadísticos F.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return None
    
        # ANOVA del modelo simplificado
        anova_table = sm.stats.anova_lm(self.model_simplified, typ=2)
    
        # Suma de cuadrados total
        ss_total = anova_table['sum_sq'].sum()
    
        # Crear tabla de contribución
        contribution_table = pd.DataFrame({
            'Fuente de Variación': [],
            'Suma de Cuadrados': [],
            'Grados de Libertad': [],
            'Cuadrado Medio': [],
            'F': [],
            'Valor p': [],
            '% Contribución': []
        })

        # Calcular estadísticos F y porcentaje de contribución para cada factor
        ms_error = anova_table.loc['Residual', 'sum_sq'] / anova_table.loc['Residual', 'df']
        
        # Agregar Block (si está disponible en los datos)
        block_ss = self.data.groupby('Block')['AIA_ppm'].sum().var() if 'Block' in self.data.columns else 0
        if block_ss > 0:
            block_df = len(self.data['Block'].unique()) - 1 if 'Block' in self.data.columns else 1
            block_ms = block_ss / block_df
            block_f = block_ms / ms_error
            block_p = f.sf(block_f, block_df, anova_table.loc['Residual', 'df'])
            contribution_table = pd.concat([contribution_table, pd.DataFrame({
                'Fuente de Variación': ['Block'],
                'Suma de Cuadrados': [block_ss],
                'Grados de Libertad': [block_df],
                'Cuadrado Medio': [block_ms],
                'F': [block_f],
                'Valor p': [block_p],
                '% Contribución': [(block_ss / ss_total) * 100]
            })], ignore_index=True)
        
        # Agregar Model (suma de todos los términos del modelo excepto el residual)
        model_ss = anova_table['sum_sq'][:-1].sum()  # Excluir residual
        model_df = anova_table['df'][:-1].sum()
        model_ms = model_ss / model_df
        model_f = model_ms / ms_error
        model_p = f.sf(model_f, model_df, anova_table.loc['Residual', 'df'])
        contribution_table = pd.concat([contribution_table, pd.DataFrame({
            'Fuente de Variación': ['Model'],
            'Suma de Cuadrados': [model_ss],
            'Grados de Libertad': [model_df],
            'Cuadrado Medio': [model_ms],
            'F': [model_f],
            'Valor p': [model_p],
            '% Contribución': [(model_ss / ss_total) * 100]
        })], ignore_index=True)

        # Agregar factores individuales y sus interacciones
        for index, row in anova_table.iterrows():
            if index != 'Residual':
                factor_name = index
                if factor_name == f'I({self.x1_name} ** 2)':
                    factor_name = f'{self.x1_name}²'
                elif factor_name == f'I({self.x2_name} ** 2)':
                    factor_name = f'{self.x2_name}²'
                elif factor_name == f'I({self.x3_name} ** 2)':
                    factor_name = f'{self.x3_name}²'
    
                ss_factor = row['sum_sq']
                df_factor = row['df']
                ms_factor = ss_factor / df_factor
                f_stat = ms_factor / ms_error
                p_value = f.sf(f_stat, df_factor, anova_table.loc['Residual', 'df'])
                contribution_percentage = (ss_factor / ss_total) * 100
    
                contribution_table = pd.concat([contribution_table, pd.DataFrame({
                    'Fuente de Variación': [factor_name],
                    'Suma de Cuadrados': [ss_factor],
                    'Grados de Libertad': [df_factor],
                    'Cuadrado Medio': [ms_factor],
                    'F': [f_stat],
                    'Valor p': [p_value],
                    '% Contribución': [contribution_percentage]
                })], ignore_index=True)
    
        # Agregar Residual
        residual_ss = anova_table.loc['Residual', 'sum_sq']
        residual_df = anova_table.loc['Residual', 'df']
        residual_ms = residual_ss / residual_df
        contribution_table = pd.concat([contribution_table, pd.DataFrame({
            'Fuente de Variación': ['Residual'],
            'Suma de Cuadrados': [residual_ss],
            'Grados de Libertad': [residual_df],
            'Cuadrado Medio': [residual_ms],
            'F': [None],
            'Valor p': [None],
            '% Contribución': [(residual_ss / ss_total) * 100]
        })], ignore_index=True)
    
        # Agregar Correlation Total
        contribution_table = pd.concat([contribution_table, pd.DataFrame({
            'Fuente de Variación': ['Cor Total'],
            'Suma de Cuadrados': [ss_total],
            'Grados de Libertad': [len(self.data) - 1],
            'Cuadrado Medio': [None],
            'F': [None],
            'Valor p': [None],
            '% Contribución': [100]
        })], ignore_index=True)
    
        return contribution_table.round(3)

    def calculate_detailed_anova(self):
        """
        Calcula la tabla ANOVA detallada con la descomposición del error residual.
        """
        if self.model_simplified is None:
            print("Error: Ajusta el modelo simplificado primero.")
            return None

        # --- ANOVA detallada ---
        # 1. Ajustar un modelo solo con los términos de primer orden y cuadráticos
        formula_reduced = f'{self.y_name} ~ {self.x1_name} + {self.x2_name} + {self.x3_name} + ' \
                         f'I({self.x1_name}**2) + I({self.x2_name}**2) + I({self.x3_name}**2)'
        model_reduced = smf.ols(formula_reduced, data=self.data).fit()

        # 2. ANOVA del modelo reducido
        anova_reduced = sm.stats.anova_lm(model_reduced, typ=2)

        # 3. Suma de cuadrados total
        ss_total = np.sum((self.data[self.y_name] - self.data[self.y_name].mean())**2)

        # 4. Grados de libertad totales
        df_total = len(self.data) - 1

        # 5. Suma de cuadrados de la regresión
        ss_regression = anova_reduced['sum_sq'][:-1].sum()  # Sumar todo excepto 'Residual'

        # 6. Grados de libertad de la regresión
        df_regression = len(anova_reduced) - 1

        # 7. Suma de cuadrados del error residual
        ss_residual = self.model_simplified.ssr
        df_residual = self.model_simplified.df_resid

        # 8. Suma de cuadrados del error puro (se calcula a partir de las réplicas)
        replicas = self.data[self.data.duplicated(subset=[self.x1_name, self.x2_name, self.x3_name], keep=False)]
        if not replicas.empty:
            ss_pure_error = replicas.groupby([self.x1_name, self.x2_name, self.x3_name])[self.y_name].var().sum() * replicas.groupby([self.x1_name, self.x2_name, self.x3_name]).ngroups
            df_pure_error = len(replicas) - replicas.groupby([self.x1_name, self.x2_name, self.x3_name]).ngroups
        else:
            ss_pure_error = np.nan
            df_pure_error = np.nan

        # 9. Suma de cuadrados de la falta de ajuste
        ss_lack_of_fit = ss_residual - ss_pure_error if not np.isnan(ss_pure_error) else np.nan
        df_lack_of_fit = df_residual - df_pure_error if not np.isnan(df_pure_error) else np.nan

        # 10. Cuadrados medios
        ms_regression = ss_regression / df_regression
        ms_residual = ss_residual / df_residual
        ms_lack_of_fit = ss_lack_of_fit / df_lack_of_fit if not np.isnan(ss_lack_of_fit) else np.nan
        ms_pure_error = ss_pure_error / df_pure_error if not np.isnan(ss_pure_error) else np.nan

        # 11. Estadísticos F y valores p
        f_regression = ms_regression / ms_residual
        p_regression = 1 - f.cdf(f_regression, df_regression, df_residual)
        
        f_lack_of_fit = ms_lack_of_fit / ms_pure_error if not np.isnan(ms_lack_of_fit) else np.nan
        p_lack_of_fit = 1 - f.cdf(f_lack_of_fit, df_lack_of_fit, df_pure_error) if not np.isnan(f_lack_of_fit) else np.nan

        # 12. Crear la tabla ANOVA detallada
        detailed_anova_table = pd.DataFrame({
            'Fuente de Variación': ['Regresión', 'Residual', 'Falta de Ajuste', 'Error Puro', 'Total'],
            'Suma de Cuadrados': [ss_regression, ss_residual, ss_lack_of_fit, ss_pure_error, ss_total],
            'Grados de Libertad': [df_regression, df_residual, df_lack_of_fit, df_pure_error, df_total],
            'Cuadrado Medio': [ms_regression, ms_residual, ms_lack_of_fit, ms_pure_error, np.nan],
            'F': [f_regression, np.nan, f_lack_of_fit, np.nan, np.nan],
            'Valor p': [p_regression, np.nan, p_lack_of_fit, np.nan, np.nan]
        })
        
        # Calcular la suma de cuadrados y estadísticos F para la curvatura
        ss_curvature = anova_reduced['sum_sq'][f'I({self.x1_name} ** 2)'] + \
                      anova_reduced['sum_sq'][f'I({self.x2_name} ** 2)'] + \
                      anova_reduced['sum_sq'][f'I({self.x3_name} ** 2)']
        df_curvature = 3
        ms_curvature = ss_curvature / df_curvature
        f_curvature = ms_curvature / ms_residual
        p_curvature = 1 - f.cdf(f_curvature, df_curvature, df_residual)

        # Añadir la fila de curvatura a la tabla ANOVA
        detailed_anova_table.loc[len(detailed_anova_table)] = [
            'Curvatura', 
            ss_curvature, 
            df_curvature, 
            ms_curvature,
            f_curvature,
            p_curvature
        ]

        # Reorganizar las filas y resetear el índice
        detailed_anova_table = detailed_anova_table.reindex([0, 5, 1, 2, 3, 4]).reset_index(drop=True)

        return detailed_anova_table.round(3)

    def get_all_tables(self):
        """
        Obtiene todas las tablas generadas para ser exportadas a Excel.
        """
        prediction_table = self.generate_prediction_table()
        contribution_table = self.calculate_contribution_percentage()
        detailed_anova_table = self.calculate_detailed_anova()

        return {
            'Predicciones': prediction_table,
            '% Contribución': contribution_table,
            'ANOVA Detallada': detailed_anova_table
        }

    def save_figures_to_zip(self):
        """
        Guarda todas las figuras almacenadas en self.all_figures a un archivo ZIP en memoria.
        """
        if not self.all_figures:
            return None

        zip_buffer = io.BytesIO()
        with zipfile.ZipFile(zip_buffer, 'w') as zip_file:
            for idx, fig in enumerate(self.all_figures, start=1):
                img_bytes = fig.to_image(format="png")
                zip_file.writestr(f'Grafico_{idx}.png', img_bytes)
        zip_buffer.seek(0)

        # Guardar en un archivo temporal
        with tempfile.NamedTemporaryFile(delete=False, suffix=".zip") as temp_file:
            temp_file.write(zip_buffer.read())
            temp_path = temp_file.name

        return temp_path

    def save_fig_to_bytes(self, fig):
        """
        Convierte una figura Plotly a bytes en formato PNG.
        """
        return fig.to_image(format="png")

    def save_all_figures_png(self):
        """
        Guarda todas las figuras en archivos PNG temporales y retorna las rutas.
        """
        png_paths = []
        for idx, fig in enumerate(self.all_figures, start=1):
            img_bytes = fig.to_image(format="png")
            with tempfile.NamedTemporaryFile(delete=False, suffix=".png") as temp_file:
                temp_file.write(img_bytes)
                temp_path = temp_file.name
                png_paths.append(temp_path)
        return png_paths

    def save_tables_to_excel(self):
        """
        Guarda todas las tablas en un archivo Excel con múltiples hojas y retorna la ruta del archivo.
        """
        tables = self.get_all_tables()
        excel_buffer = io.BytesIO()
        with pd.ExcelWriter(excel_buffer, engine='xlsxwriter') as writer:
            for sheet_name, table in tables.items():
                table.to_excel(writer, sheet_name=sheet_name, index=False)
        excel_buffer.seek(0)
        excel_bytes = excel_buffer.read()

        # Guardar en un archivo temporal
        with tempfile.NamedTemporaryFile(delete=False, suffix=".xlsx") as temp_file:
            temp_file.write(excel_bytes)
            temp_path = temp_file.name

        return temp_path

    def export_tables_to_word(self, tables_dict):
        """
        Exporta las tablas proporcionadas a un documento de Word.
        """
        if not tables_dict:
            return None

        doc = docx.Document()

        # Configurar estilo de fuente
        style = doc.styles['Normal']
        font = style.font
        font.name = 'Times New Roman'
        font.size = Pt(12)

        # Título del informe
        titulo = doc.add_heading('Informe de Optimización de Producción de AIA', 0)
        titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

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

        doc.add_paragraph('\n')  # Espacio

        for sheet_name, table in tables_dict.items():
            # Añadir título de la tabla
            doc.add_heading(sheet_name, level=1)

            if table.empty:
                doc.add_paragraph("No hay datos disponibles para esta tabla.")
                continue

            # Añadir tabla al documento
            table_doc = doc.add_table(rows=1, cols=len(table.columns))
            table_doc.style = 'Light List Accent 1'

            # Añadir encabezados
            hdr_cells = table_doc.rows[0].cells
            for idx, col_name in enumerate(table.columns):
                hdr_cells[idx].text = col_name

            # Añadir filas de datos
            for _, row in table.iterrows():
                row_cells = table_doc.add_row().cells
                for idx, item in enumerate(row):
                    row_cells[idx].text = str(item)

            doc.add_paragraph('\n')  # Espacio entre tablas

        # Guardar el documento en un archivo temporal
        with tempfile.NamedTemporaryFile(delete=False, suffix=".docx") as tmp:
            doc.save(tmp.name)
            tmp_path = tmp.name

        return tmp_path

# --- Funciones para la Interfaz de Gradio ---

def load_data(x1_name, x2_name, x3_name, y_name, x1_levels_str, x2_levels_str, x3_levels_str, data_str):
    """
    Carga los datos del diseño Box-Behnken desde cajas de texto y crea la instancia de RSM_BoxBehnken.
    """
    try:
        # Convertir los niveles a listas de números
        x1_levels = [float(x.strip()) for x in x1_levels_str.split(',')]
        x2_levels = [float(x.strip()) for x in x2_levels_str.split(',')]
        x3_levels = [float(x.strip()) for x in x3_levels_str.split(',')]

        # Crear DataFrame a partir de la cadena de datos
        data_list = [row.split(',') for row in data_str.strip().split('\n')]
        column_names = ['Exp.', x1_name, x2_name, x3_name, y_name]
        data = pd.DataFrame(data_list, columns=column_names)
        data = data.apply(pd.to_numeric, errors='coerce')  # Convertir a numérico

        # Validar que el DataFrame tenga las columnas correctas
        if not all(col in data.columns for col in column_names):
            raise ValueError("El formato de los datos no es correcto.")

        # Crear la instancia de RSM_BoxBehnken
        global rsm
        rsm = RSM_BoxBehnken(data, x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels)

        return data.round(3), x1_name, x2_name, x3_name, y_name, x1_levels, x2_levels, x3_levels, gr.update(visible=True)
    
    except Exception as e:
        # Mostrar mensaje de error
        error_message = f"Error al cargar los datos: {str(e)}"
        print(error_message)
        return None, "", "", "", "", [], [], [], gr.update(visible=False)

def fit_and_optimize_model():
    if 'rsm' not in globals():
        return [None]*11  # Ajustar el número de outputs

    # Ajustar modelos y optimizar
    model_completo, pareto_completo = rsm.fit_model()
    model_simplificado, pareto_simplificado = rsm.fit_simplified_model()
    optimization_table = rsm.optimize()
    equation = rsm.get_simplified_equation()
    prediction_table = rsm.generate_prediction_table()
    contribution_table = rsm.calculate_contribution_percentage()
    anova_table = rsm.calculate_detailed_anova()
    
    # Generar todas las figuras y almacenarlas
    rsm.generate_all_plots()
    
    # Formatear la ecuación para que se vea mejor en Markdown
    equation_formatted = equation.replace(" + ", "<br>+ ").replace(" ** ", "^").replace("*", " × ")
    equation_formatted = f"### Ecuación del Modelo Simplificado:<br>{equation_formatted}"
    
    # Guardar las tablas en Excel temporal
    excel_path = rsm.save_tables_to_excel()

    # Guardar todas las figuras en un ZIP temporal
    zip_path = rsm.save_figures_to_zip()

    return (
        model_completo.summary().as_html(),
        pareto_completo,
        model_simplificado.summary().as_html(),
        pareto_simplificado,
        equation_formatted,
        optimization_table,
        prediction_table,
        contribution_table,
        anova_table,
        zip_path,    # Ruta del ZIP de gráficos
        excel_path   # Ruta del Excel de tablas
    )

def show_plot(current_index, all_figures):
    if not all_figures:
        return None, "No hay gráficos disponibles.", current_index
    selected_fig = all_figures[current_index]
    plot_info_text = f"Gráfico {current_index + 1} de {len(all_figures)}"
    return selected_fig, plot_info_text, current_index

def navigate_plot(direction, current_index, all_figures):
    """
    Navega entre los gráficos.
    """
    if not all_figures:
        return None, "No hay gráficos disponibles.", current_index
    
    if direction == 'left':
        new_index = (current_index - 1) % len(all_figures)
    elif direction == 'right':
        new_index = (current_index + 1) % len(all_figures)
    else:
        new_index = current_index
    
    selected_fig = all_figures[new_index]
    plot_info_text = f"Gráfico {new_index + 1} de {len(all_figures)}"
    
    return selected_fig, plot_info_text, new_index

def download_current_plot(all_figures, current_index):
    """
    Descarga la figura actual como PNG.
    """
    if not all_figures:
        return None
    fig = all_figures[current_index]
    img_bytes = rsm.save_fig_to_bytes(fig)
    filename = f"Grafico_RSM_{current_index + 1}.png"
    
    # Crear un archivo temporal
    with tempfile.NamedTemporaryFile(delete=False, suffix=".png") as temp_file:
        temp_file.write(img_bytes)
        temp_path = temp_file.name
    
    return temp_path  # Retornar solo la ruta

def download_all_plots_zip():
    """
    Descarga todas las figuras en un archivo ZIP.
    """
    if 'rsm' not in globals():
        return None
    zip_path = rsm.save_figures_to_zip()
    if zip_path:
        filename = f"Graficos_RSM_{datetime.now().strftime('%Y%m%d_%H%M%S')}.zip"
        # Gradio no permite renombrar directamente, por lo que retornamos la ruta del archivo
        return zip_path
    return None

def download_all_tables_excel():
    """
    Descarga todas las tablas en un archivo Excel con múltiples hojas.
    """
    if 'rsm' not in globals():
        return None
    excel_path = rsm.save_tables_to_excel()
    if excel_path:
        filename = f"Tablas_RSM_{datetime.now().strftime('%Y%m%d_%H%M%S')}.xlsx"
        # Gradio no permite renombrar directamente, por lo que retornamos la ruta del archivo
        return excel_path
    return None

def exportar_word(rsm_instance, tables_dict):
    """
    Función para exportar las tablas a un documento de Word.
    """
    word_path = rsm_instance.export_tables_to_word(tables_dict)
    if word_path and os.path.exists(word_path):
        return word_path
    return None

# --- Crear la interfaz de Gradio ---

def create_gradio_interface():
    with gr.Blocks() as demo:
        gr.Markdown("# Optimización de la producción de AIA usando RSM Box-Behnken")
        
        with gr.Row():
            with gr.Column():
                gr.Markdown("## Configuración del Diseño")
                x1_name_input = gr.Textbox(label="Nombre de la Variable X1 (ej. Glucosa)", value="Glucosa")
                x2_name_input = gr.Textbox(label="Nombre de la Variable X2 (ej. Extracto de Levadura)", value="Extracto_de_Levadura")
                x3_name_input = gr.Textbox(label="Nombre de la Variable X3 (ej. Triptófano)", value="Triptofano")
                y_name_input = gr.Textbox(label="Nombre de la Variable Dependiente (ej. AIA (ppm))", value="AIA_ppm")
                x1_levels_input = gr.Textbox(label="Niveles de X1 (separados por comas)", value="1, 3.5, 5.5")
                x2_levels_input = gr.Textbox(label="Niveles de X2 (separados por comas)", value="0.03, 0.2, 0.3")
                x3_levels_input = gr.Textbox(label="Niveles de X3 (separados por comas)", value="0.4, 0.65, 0.9")
                data_input = gr.Textbox(label="Datos del Experimento (formato CSV)", lines=10, value="""1,-1,-1,0,166.594
2,1,-1,0,177.557
3,-1,1,0,127.261
4,1,1,0,147.573
5,-1,0,-1,188.883
6,1,0,-1,224.527
7,-1,0,1,190.238
8,1,0,1,226.483
9,0,-1,-1,195.550
10,0,1,-1,149.493
11,0,-1,1,187.683
12,0,1,1,148.621
13,0,0,0,278.951
14,0,0,0,297.238
15,0,0,0,280.896""")
                load_button = gr.Button("Cargar Datos")
            
            with gr.Column():
                gr.Markdown("## Datos Cargados")
                data_output = gr.Dataframe(label="Tabla de Datos", interactive=False)
        
        # Sección de análisis visible solo después de cargar los datos
        with gr.Row(visible=False) as analysis_row:
            with gr.Column():
                fit_button = gr.Button("Ajustar Modelo y Optimizar")
                gr.Markdown("**Modelo Completo**")
                model_completo_output = gr.HTML()
                pareto_completo_output = gr.Plot()
                gr.Markdown("**Modelo Simplificado**")
                model_simplificado_output = gr.HTML()
                pareto_simplificado_output = gr.Plot()
                gr.Markdown("**Ecuación del Modelo Simplificado**")
                equation_output = gr.HTML()
                optimization_table_output = gr.Dataframe(label="Tabla de Optimización", interactive=False)
                prediction_table_output = gr.Dataframe(label="Tabla de Predicciones", interactive=False)
                contribution_table_output = gr.Dataframe(label="Tabla de % de Contribución", interactive=False)
                anova_table_output = gr.Dataframe(label="Tabla ANOVA Detallada", interactive=False)
                gr.Markdown("## Descargar Todas las Tablas")
                download_excel_button = gr.DownloadButton("Descargar Tablas en Excel")
                download_word_button = gr.DownloadButton("Descargar Tablas en Word")
            
            with gr.Column():
                gr.Markdown("## Generar Gráficos de Superficie de Respuesta")
                fixed_variable_input = gr.Dropdown(label="Variable Fija", choices=["Glucosa", "Extracto_de_Levadura", "Triptofano"], value="Glucosa")
                fixed_level_input = gr.Slider(label="Nivel de Variable Fija", minimum=-1, maximum=1, step=0.01, value=0.0)
                plot_button = gr.Button("Generar Gráficos")
                with gr.Row():
                    left_button = gr.Button("<")
                    right_button = gr.Button(">")
                rsm_plot_output = gr.Plot()
                plot_info = gr.Textbox(label="Información del Gráfico", value="Gráfico 1 de 9", interactive=False)
                with gr.Row():
                    download_plot_button = gr.DownloadButton("Descargar Gráfico Actual (PNG)")
                    download_all_plots_button = gr.DownloadButton("Descargar Todos los Gráficos (ZIP)")
                current_index_state = gr.State(0)  # Estado para el índice actual
                all_figures_state = gr.State([])  # Estado para todas las figuras
    
        # Cargar datos
        load_button.click(
            load_data,
            inputs=[x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, data_input],
            outputs=[data_output, x1_name_input, x2_name_input, x3_name_input, y_name_input, x1_levels_input, x2_levels_input, x3_levels_input, analysis_row]
        )
        
        # Ajustar modelo y optimizar
        fit_button.click(
            fit_and_optimize_model,
            inputs=[],
            outputs=[
                model_completo_output,
                pareto_completo_output,
                model_simplificado_output,
                pareto_simplificado_output,
                equation_output,
                optimization_table_output,
                prediction_table_output,
                contribution_table_output,
                anova_table_output,
                download_all_plots_button,  # Ruta del ZIP de gráficos
                download_excel_button      # Ruta del Excel de tablas
            ]
        )
        
        # Generar y mostrar los gráficos
        plot_button.click(
            lambda fixed_var, fixed_lvl: (
                rsm.plot_rsm_individual(fixed_var, fixed_lvl),
                f"Gráfico 1 de {len(rsm.all_figures)}" if rsm.all_figures else "No hay gráficos disponibles.",
                0,
                rsm.all_figures  # Actualizar el estado de todas las figuras
            ),
            inputs=[fixed_variable_input, fixed_level_input],
            outputs=[rsm_plot_output, plot_info, current_index_state, all_figures_state]
        )
        
        # Navegación de gráficos
        left_button.click(
            lambda current_index, all_figures: navigate_plot('left', current_index, all_figures),
            inputs=[current_index_state, all_figures_state],
            outputs=[rsm_plot_output, plot_info, current_index_state]
        )
        right_button.click(
            lambda current_index, all_figures: navigate_plot('right', current_index, all_figures),
            inputs=[current_index_state, all_figures_state],
            outputs=[rsm_plot_output, plot_info, current_index_state]
        )
        
        # Descargar gráfico actual
        download_plot_button.click(
            download_current_plot,
            inputs=[all_figures_state, current_index_state],
            outputs=download_plot_button
        )
        
        # Descargar todos los gráficos en ZIP
        download_all_plots_button.click(
            download_all_plots_zip,
            inputs=[],
            outputs=download_all_plots_button
        )
        
        # Descargar todas las tablas en Excel y Word
        download_excel_button.click(
            fn=lambda: download_all_tables_excel(),
            inputs=[],
            outputs=download_excel_button
        )
        
        download_word_button.click(
            fn=lambda: exportar_word(rsm, rsm.get_all_tables()),
            inputs=[],
            outputs=download_word_button
        )
        
        # Ejemplo de uso
        gr.Markdown("## Ejemplo de uso")
        gr.Markdown("""
        1. Introduce los nombres de las variables y sus niveles en las cajas de texto correspondientes.
        2. Copia y pega los datos del experimento en la caja de texto 'Datos del Experimento'.
        3. Haz clic en 'Cargar Datos' para cargar los datos en la tabla.
        4. Haz clic en 'Ajustar Modelo y Optimizar' para ajustar el modelo y encontrar los niveles óptimos de los factores.
        5. Selecciona una variable fija y su nivel en los controles deslizantes.
        6. Haz clic en 'Generar Gráficos' para generar los gráficos de superficie de respuesta.
        7. Navega entre los gráficos usando los botones '<' y '>'.
        8. Descarga el gráfico actual en PNG o descarga todos los gráficos en un ZIP.
        9. Descarga todas las tablas en un archivo Excel o Word con los botones correspondientes.
        """)

    return demo

# --- Función Principal ---

def main():
    interface = create_gradio_interface()
    interface.launch(share=True)

if __name__ == "__main__":
    main()