import gradio as gr
import pandas as pd
import matplotlib.pyplot as plt
from transformers import pipeline

# Inicializa la pipeline de análisis de sentimientos
sentiment_pipeline = pipeline("sentiment-analysis")

# Función que toma un Dataframe y crea un gráfico visual con matplotlib
def plot_sentiment_distribution(df_category):
    sentiment_counts = df_category['sentiment'].value_counts()
    fig, ax = plt.subplots()
    sentiment_counts.plot(kind='bar', ax=ax)
    ax.set_title("Distribución de Sentimientos")
    ax.set_xlabel("Sentimiento")
    ax.set_ylabel("Número de reseñas")
    return fig

# Mapeo de categorías a nombres de archivos
category_to_file_path = {
    'Fashion': 'AMAZON_FASHION_5.json.gz',
    'Appliances': 'Appliances_5.json.gz',
    'Gift Cards': 'Gift_Cards_5.json.gz',
    'Magazine subscriptions': 'Magazine_Subscriptions_5.json.gz',
    'All beauty': 'All_Beauty_5.json.gz'
}

# Función para cargar los datos por categoría
def load_reviews(category):
    # Asegúrate de que la categoría proporcionada es válida
    if category not in category_to_file_path:
        raise ValueError("Categoría no encontrada. Asegúrate de que la categoría sea correcta.")

    file_name = category_to_file_path[category]
    file_path = f"{file_name}"  # Asegúrate de que este sea el path correcto a tus archivos
    df = pd.read_json(file_path, lines=True, compression='gzip')
    return df

def analyze_sentiment(text):
    # Verifica si el texto es una cadena de texto (string)
    if isinstance(text, str):
        return sentiment_pipeline(text[:512])[0]['label']
    else:
        return "Unknown"  # O algún valor por defecto para datos no procesables

def plot_pie_chart(sentiment_counts):
    labels = sentiment_counts.keys()
    sizes = sentiment_counts.values
    fig, ax = plt.subplots()
    ax.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
    ax.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
    return fig

def sentiment_counts_by_category(category):
    df_category = load_reviews(category)
    df_category = df_category.head(30)  # Limita el análisis a las primeras 30 reseñas
    df_category['sentiment'] = df_category['reviewText'].apply(analyze_sentiment)
    # Conteo de sentimientos
    sentiment_counts = df_category['sentiment'].value_counts(normalize=True)  # Obtiene porcentajes
    # Genera la gráfica de barras para la distribución de sentimientos
    bar_fig = plot_sentiment_distribution(df_category)
    # Genera la gráfica de pastel para la distribución porcentual de sentimientos
    pie_fig = plot_pie_chart(sentiment_counts)
    # Retorna ambas figuras
    return bar_fig, pie_fig

def show_first_five(category):
    df_category = load_reviews(category)
    return df_category.head(5)  # Muestra las primeras 5 filas del DataFrame de la categoría

# Crear la interfaz usando gr.Blocks
with gr.Blocks() as demo:
    gr.Markdown(
    '''
    <h1 style='text-align: center; color: navy;'>Análisis de Sentimientos Amazon</h1>
    <p style='text-align: center;'>Seleccione una categoría y visualice los datos y la distribución de sentimientos.</p>
    '''
    )
    with gr.Row():
        category = gr.Dropdown(choices=list(category_to_file_path.keys()), label="Seleccione una categoría")
        with gr.Column():
            show_button = gr.Button("Mostrar Datos")
            plot_button = gr.Button("Graficar Distribución de Sentimientos")
        with gr.Column():
            output_df = gr.Dataframe()
            output_bar_plot = gr.Plot()
            output_pie_plot = gr.Plot()

    show_button.click(show_first_five, inputs=category, outputs=output_df)
    plot_button.click(sentiment_counts_by_category, inputs=category, outputs=[output_bar_plot, output_pie_plot])

# Lanza la interfaz
if __name__ == "__main__":
    demo.launch()