# -*- coding: utf-8 -*-
"""
Demo interactiva — Análisis de Sentimientos Multidominio
Modelo: Drocho/distilbert-sentiment
Curso: Deep Learning (1INF52) — PUCP 2026-1
"""

import gradio as gr
from transformers import pipeline

# Cargar modelo desde Hugging Face
clasificador = pipeline(
    "text-classification",
    model="Drocho/distilbert-sentiment",
    truncation=True,
    max_length=512,
)

LABEL_MAP = {
    "NEGATIVE": ("Negativo 😞", "#e74c3c"),
    "POSITIVE": ("Positivo 😊", "#2ecc71"),
}

EJEMPLOS = [
    ["This movie was absolutely fantastic! The acting was superb and the story kept me hooked the entire time."],
    ["Terrible experience. The product broke after one day and customer service was completely useless."],
    ["I can't believe how good this restaurant is. Best meal I've had in years, will definitely come back!"],
    ["Waste of money. The film was boring, predictable, and way too long. Don't bother watching it."],
    ["The book was okay. Some parts were interesting but overall it felt a bit slow and repetitive."],
    ["Amazing service! The staff went above and beyond to make sure we had a great experience."],
]

def analizar(texto: str):
    if not texto or not texto.strip():
        return "⚠️ Por favor ingresa un texto.", "", ""

    resultado = clasificador(texto)[0]
    label_raw = resultado["label"]
    score = resultado["score"]

    etiqueta, color = LABEL_MAP.get(label_raw, ("Desconocido", "#95a5a6"))
    confianza = f"{score * 100:.1f}%"
    barra = "█" * int(score * 20) + "░" * (20 - int(score * 20))

    detalle = f"{barra}  {confianza}"

    return etiqueta, detalle, color


def wrapper(texto):
    etiqueta, detalle, color = analizar(texto)
    return etiqueta, detalle


# Interfaz
with gr.Blocks(
    title="Análisis de Sentimientos — DistilBERT",
    theme=gr.themes.Soft(),
) as demo:

    gr.Markdown(
        """
        # 🎭 Análisis de Sentimientos Multidominio
        ### Modelo DistilBERT fine-tuneado — PUCP Deep Learning 2026-1

        Clasifica reseñas de películas, productos, restaurantes y más como **positivas** o **negativas**.

        > **Modelo:** [`Drocho/distilbert-sentiment`](https://huggingface.co/Drocho/distilbert-sentiment)
        > **Dataset:** IMDb · Amazon Polarity · Yelp · SST-2 — 36,496 muestras
        > **Accuracy:** 92.85% · **F1-score:** 92.63%
        """
    )

    with gr.Row():
        with gr.Column(scale=2):
            texto_input = gr.Textbox(
                label="Texto a analizar",
                placeholder="Escribe o pega aquí una reseña en inglés...",
                lines=5,
                max_lines=10,
            )
            btn = gr.Button("Analizar sentimiento 🔍", variant="primary")

        with gr.Column(scale=1):
            sentimiento_output = gr.Textbox(
                label="Sentimiento detectado",
                interactive=False,
                lines=2,
            )
            confianza_output = gr.Textbox(
                label="Confianza del modelo",
                interactive=False,
                lines=2,
            )

    gr.Markdown("### 📝 Ejemplos")
    gr.Examples(
        examples=EJEMPLOS,
        inputs=texto_input,
        outputs=[sentimiento_output, confianza_output],
        fn=wrapper,
        cache_examples=True,
        label="Haz clic en un ejemplo para probarlo",
    )

    btn.click(
        fn=wrapper,
        inputs=texto_input,
        outputs=[sentimiento_output, confianza_output],
    )

    texto_input.submit(
        fn=wrapper,
        inputs=texto_input,
        outputs=[sentimiento_output, confianza_output],
    )

    gr.Markdown(
        """
        ---
        **Integrantes:** Cáceres Lecaros F. · Ching Sato D. · Condori Chocce Z. · Serpa Paredes C. · Chavez Gonzalez P.

        **Limitaciones:** El modelo fue entrenado en inglés. Puede tener dificultades con sarcasmo,
        ironía o reseñas con sentimientos mixtos.
        """
    )

demo.launch()