import numpy as np
import pandas as pd
from tensorflow.keras.models import load_model
from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.utils import to_categorical

# === Liste fixe des classes utilisées pendant l'entraînement ===
LABELS = ['get_down', 'get_up', 'lying', 'no_person', 'sitting', 'standing', 'walking']
label_encoder = LabelEncoder()
label_encoder.fit(LABELS)

def load_and_predict(csv_path: str, model_path: str):
    """
    Charge un fichier CSV contenant un seul échantillon et effectue une prédiction avec un modèle CNN.

    Args:
        csv_path (str): Chemin vers le fichier CSV avec une ligne (features + label)
        model_path (str): Chemin vers le fichier .h5 du modèle CNN

    Returns:
        tuple: (true_label: str, predicted_label: str, y_pred_probs: np.ndarray)
    """
    # === Charger le fichier utilisateur ===
    df = pd.read_csv(csv_path)
    X = df.drop(columns=['label']).values
    y = df['label'].values
    true_label = y[0]

    # === Encodage label réel ===
    true_label_encoded = label_encoder.transform([true_label])[0]
    y_encoded = to_categorical([true_label_encoded], num_classes=len(LABELS))

    # === Reshape pour Conv1D ===
    X = X.reshape((1, X.shape[1], 1))

    # === Charger le modèle ===
    model = load_model(model_path)

    # === Prédiction ===
    y_pred_probs = model.predict(X)
    y_pred_encoded = np.argmax(y_pred_probs, axis=1)[0]
    y_pred_label = label_encoder.inverse_transform([y_pred_encoded])[0]

    return true_label, y_pred_label, y_pred_probs[0] ,LABELS,y_pred_probs