# ---------------------------------------------------------------------------------
# Aplicación principal para cargar el modelo, generar prompts y explicar los datos
# ---------------------------------------------------------------------------------

import streamlit as st  # type: ignore
import os
import re
import pandas as pd  # type: ignore
from dotenv import load_dotenv  # type: ignore # Para cambios locales
from supabase import create_client, Client  # type: ignore
from pandasai import Agent

# from pandasai import SmartDataframe  # type: ignore
from pandasai.llm.local_llm import LocalLLM
from pandasai import Agent
import matplotlib.pyplot as plt

# ---------------------------------------------------------------------------------
# Funciones auxiliares
# ---------------------------------------------------------------------------------


# Ejemplo de prompt generado:
# generate_graph_prompt("Germany", "France", "fertility rate", 2020, 2030)
def generate_graph_prompt(user_query):
    prompt = f"""
    You are a highly skilled data scientist working with European demographic data.

    Given the user's request: "{user_query}"

    1. Plot the relevant data according to the user's request.
    2. After generating the plot, write a clear, human-readable explanation of the plot (no code).
    3. Save the explanation in a variable called "explanation".

    VERY IMPORTANT:
    - Declare a result variable as a dictionary that includes:
      - type = "plot"
      - value = the path to the saved plot
      - explanation = the explanation text you wrote

    Example of expected result dictionary:
    result = {{
        "type": "plot",
        "value": "temp_chart.png",
        "explanation": explanation
    }}

    Only respond with valid Python code.

    IMPORTANT: Stick strictly to using the data available in the database.
    """
    return prompt

# TODO: Mejorar prompt

# ---------------------------------------------------------------------------------
# Configuración de conexión a Supabase
# ---------------------------------------------------------------------------------

# Cargar variables de entorno desde archivo .env
load_dotenv()

# Conectar las credenciales de Supabase (ubicadas en "Secrets" en Streamlit)
SUPABASE_URL = os.getenv("SUPABASE_URL")
SUPABASE_KEY = os.getenv("SUPABASE_KEY")

# Crear cliente Supabase
supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)

# Función para cargar datos de una tabla de Supabase
# Tablas posibles: fertility, geo data, labor, population, predictions
def load_data(table):
    try:
        if supabase:
            response = supabase.from_(table).select("*").execute()
            print(f"Response object: {response}")  # Inspeccionar objeto completo
            print(f"Response type: {type(response)}")  # Verificar tipo de objeto

            # Acceder a atributos relacionados a error o data
            if hasattr(response, 'data'):
                print(f"Response data: {response.data}")
                return pd.DataFrame(response.data)
            elif hasattr(response, 'status_code'):
                print(f"Response status code: {response.status_code}")
            elif hasattr(response, '_error'):  # Versiones antiguas
                print(f"Older error attribute: {response._error}")
                st.error(f"Error fetching data: {response._error}")
                return pd.DataFrame()
            else:
                st.info("Response object does not have 'data' or known error attributes. Check the logs.")
                return pd.DataFrame()

        else:
            st.error("Supabase client not initialized. Check environment variables.")
            return pd.DataFrame()
    except Exception as e:
        st.error(f"An error occurred during data loading: {e}")
        return pd.DataFrame()

# ---------------------------------------------------------------------------------
# Cargar datos iniciales
# ---------------------------------------------------------------------------------

# # Cargar datos desde la tabla "labor"
data = load_data("labor")

# TODO: La idea es luego usar todas las tablas, cuando ya funcione.
# Se puede si el modelo funciona con las gráficas, sino que toca mejorarlo 
# porque serían consultas más complejas.
# labor_data = load_data("labor")
# fertility_data = load_data("fertility")
# population_data = load_data("population")
# predictions_data = load_data("predictions")


# ---------------------------------------------------------------------------------
# Inicializar modelo
# ---------------------------------------------------------------------------------

# ollama_llm = LocalLLM(api_base="http://localhost:11434/v1", 
#                       model="gemma3:12b",
#                       temperature=0.1,  
#                       max_tokens=8000)

lm_studio_llm = LocalLLM(api_base="http://localhost:1234/v1") # el modelo es gemma-3-12b-it-qat

agent = Agent([labor_data], config={"llm": lm_studio_llm}) # Inicializar agent

# ---------------------------------------------------------------------------------
# Configuración de la app en Streamlit
# ---------------------------------------------------------------------------------

# Título de la app
st.title("_Europe GraphGen_  :blue[Graph generator] :flag-eu:")

# TODO: Poner instrucciones al usuario sobre cómo hacer un muy buen prompt (sin tecnisismos, pensando en el usuario final)


# Entrada de usuario para describir el gráfico
user_input = st.text_input("What graphics do you have in mind")
generate_button = st.button("Generate")

# Procesar el input del usuario con PandasAI
if generate_button and user_input:
    with st.spinner('Generating answer...'):
        try:
            prompt = generate_graph_prompt(user_input)
            answer = agent.chat(prompt)
            explanation = agent.explain()
            print(f"\nAnswer type: {type(answer)}\n")  # Verificar tipo de objeto
            print(f"\nAnswer content: {answer}\n")  # Inspeccionar contenido de la respuesta
            print(f"\n explanation type: {type(explanation)}\n")  # Verificar tipo de objeto
            print(f"\n explanation content: {explanation}\n")

            if isinstance(answer, str) and os.path.isfile(answer):
                # Si el output es una ruta válida a imagen
                im = plt.imread(answer)
                st.image(im)
                os.remove(answer)  # Limpiar archivo temporal
                st.markdown(str(explanation))
            else:
                # Si no es una ruta válida, mostrar como texto
                st.markdown(str(answer))

        except Exception as e:
            st.error(f"Error generating answer: {e}")

# TODO: Output estructurado si vemos que es necesario.