import streamlit as st
import json
import requests
import pandas as pd
import numpy as np
import pickle
from PIL import Image

image = Image.open('logo.png')

st.image(image)

# st.set_page_config(layout="wide")

st.title("Калькулятор прогнозирования значения фракции выброса левого желудочка")
st.header("Кафедра пропедевтической терапии с курсом кардиологи")

# col1, col2, col3, col4, col5, col6, col7, col8 = st.rows(8)

nyha = 2
vozrast = 65
ckf = 71.5
pim = 2
fp = 2
cd = 3 
nt = 394.05
st2 = 30.8

#mod = st.radio("Выберите модель", options=["Линейная", "Нелинейная"])

# with col1:
f1 = st.selectbox(
    'Функциональный класс по NYHA',
    ('1', '2', '3', '4'))
nyha_check = st.checkbox('NYHA', value=True)
# with col2:
f2 = st.text_input('Возраст лет')
vozrast_check = st.checkbox('Возраст', value=True)
# with col3:
f3 = st.text_input('Скорость клубочковой фильтрации по формуле CKD-EPI (мл/мин/1,73м2)')
ckf_check = st.checkbox('СКФ CKD-EPI', value=True)
# with col4:
f4 = st.selectbox(
    'Перенесенный инфаркт миокарда',
    ('Да', 'Нет'))
pim_check = st.checkbox('ПИМ', value=True)
# with col5:
f5 = st.selectbox(
    'Фибрилляция/Трепетание предсердий',
    ('Да', 'Нет'))
fp_check = st.checkbox('ФП', value=True)
# with col6:
f6 = st.selectbox(
    'Сахарный диабет ',
    ('Да', 'НТГ', 'Нет'))
cd_check = st.checkbox('СД', value=True)
# with col7:
f7 =st.text_input('Концентрация NT-proBNP (пг/мл)')
nt_check = st.checkbox('NT_proBNP', value=True)
# with col8:
f8 = st.text_input('Концентрация ST2 (нг/мл)')   
st2_check = st.checkbox('ST2', value=True)
    
    

filename_model = 'class_model_logreg.pickle'
filename_scaler = 'class_scaler.pickle'
filename_ohe = 'class_one_hot_enc.pickle'
filename_cat = 'class_model_catboost.pickle'


loaded_model = pickle.load(open(filename_model, 'rb'))
loaded_scaler = pickle.load(open(filename_scaler, 'rb'))
loaded_ohe = pickle.load(open(filename_ohe, 'rb'))
loaded_cat = pickle.load(open(filename_cat, 'rb'))



def get_interval_by_class(a):
    pref = 'Прогнозируемое значение фракции выброса левого желудочка '
    if a == 1:
        return pref + 'больше 50%'
    elif a == 2:
        return pref + 'лежит в интервале от 40 до 49%'
    else:
        return pref + 'меньше 40%'


if st.button('OK'):
    
    if nyha_check:
        if f1 == '':
            st.write('Вы не ввели NYHA, будет использовано медианное значение')
            f1 = nyha
    else:
        f1 = 0
        
    if vozrast_check:
        if f2 == '':
            st.write('Вы не ввели возраст, будет использовано медианное значение')
            f2 = vozrast
    else:
        f2 = 0
        
    if ckf_check:
        if f3 == '':
            st.write('Вы не ввели СКФ, будет использовано медианное значение')
            f3 = ckf
    else:
        f3 = 0
    
    if pim_check:
        if f4 == '':
            st.write('Вы не ввели ПИМ, будет использовано медианное значение')
            f4 = pim
    else:
        f4 = 0
            
    if fp_check:
        if f5 == '':
            st.write('Вы не ввели ФП, будет использовано медианное значение')
            f5 = fp  
    else:
        f5 = 0
    
    if cd_check:
        if f6 == '':
            st.write('Вы не ввели СД, будет использовано медианное значение')
            f6 = cd
    else:
        f6 = 0
        
    if nt_check:
        if f7 == '':
            st.write('Вы не ввели NT_proBNP, будет использовано медианное значение')
            f7 = nt
    else:
        f7 = 0
        
    if st2_check:
        if f8 == '':
            st.write('Вы не ввели ST2, будет использовано медианное значение')
            f8 = st2
    else:
        f8 = 0
    
    
    # line = np.array([[float(f1), str(f2), str(f3), str(f4), str(f5), float(f6), float(f7), float(f8), float(f9), float(f10)]])
    
    if f4 == 'Да':
        f4 = '1'
    else:
        f4 = '2'
    
    if f5 == 'Да':
        f5 = '1'
    elif f5 == 'НТГ':
        f5 = '2'
    else:
        f5 = '3'
        
    if f6 == 'Да':
        f6 = '1'
    else:
        f6 = '2'
    
    line = np.array([[str(f1), float(f2), float(f3), str(f4), str(f5), str(f6), float(f7), float(f8)]])
    
    picked_cols = ['NYHA', 'возраст', 'СКФ CKD-EPI', 'ПИМ', 'ФП', 'СД', 'NT_proBNP', 'ST2']
    categorical_cols = ['NYHA', 'ПИМ', 'ФП', 'СД']
    num_cols = ['возраст', 'СКФ CKD-EPI', 'NT_proBNP', 'ST2']

    X = pd.DataFrame(line, columns=picked_cols)

    X_transform = pd.DataFrame(loaded_ohe.transform(X[categorical_cols]).toarray()).set_index(X.index)
    X_transform.columns = loaded_ohe.get_feature_names_out()

    X_encode = pd.concat([X_transform, X[num_cols]], axis=1)

    line_norm = loaded_scaler.transform(X_encode)
    
    #if mod == 'Линейная':
    #    res = loaded_model.predict(line_norm)[0]
    #    st.header(get_interval_by_class(int(res)))
    #else:
    res = loaded_cat.predict(line_norm)[0]
    st.header(get_interval_by_class(int(res)))