import streamlit as st
import pandas as pd
import numpy as np
from prophet import Prophet
import plotly.express as px
import plotly.graph_objects as go
import seaborn as sns
import matplotlib.pyplot as plt
from datetime import date

# --------------------------------------------------
# 0. CONFIG & UTILS
# --------------------------------------------------
DATA_PATH = "price_data.csv"  # ▶︎ CSV: date(YYYY-MM-DD), item, price

@st.cache_data(show_spinner=False)
def load_data(path: str) -> pd.DataFrame:
    """Load & preprocess price data.
    Expects columns: date, item, price."""
    df = pd.read_csv(path, parse_dates=["date"])
    df.sort_values("date", inplace=True)
    return df

@st.cache_data(show_spinner=False)
def get_items(df: pd.DataFrame):
    return sorted(df["item"].unique())

# Prophet helper ------------------------------------------------------------

def fit_prophet(df: pd.DataFrame, horizon_end: str):
    """Fit Prophet on df(date, price) and forecast till horizon_end (YYYY-MM-DD)."""
    m = Prophet(yearly_seasonality=True, weekly_seasonality=False, daily_seasonality=False)
    m.fit(df.rename(columns={"date": "ds", "price": "y"}))
    future = m.make_future_dataframe(periods=(pd.Timestamp(horizon_end) - df["date"].max()).days, freq="D")
    forecast = m.predict(future)
    return m, forecast

# --------------------------------------------------
# 1. DATA LOAD
# --------------------------------------------------
st.title("📈 품목별 가격 예측 대시보드")

raw_df = load_data(DATA_PATH)

st.sidebar.header("🔍 품목 선택")
selected_item = st.sidebar.selectbox("품목", get_items(raw_df))

current_date = date.today()
st.sidebar.markdown(f"**오늘 날짜:** {current_date}")

item_df = raw_df[raw_df["item"] == selected_item].copy()

if item_df.empty:
    st.warning("선택한 품목의 데이터가 없습니다.")
    st.stop()

# --------------------------------------------------
# 2. MACRO FORECAST 1996–2030
# --------------------------------------------------
st.subheader(f"🌏 거시 가격 추이 예측: 1996–2030 ({selected_item})")

macro_start = "1996-01-01"
macro_end = "2030-12-31"
macro_df = item_df[item_df["date"] >= macro_start]

m_macro, fc_macro = fit_prophet(macro_df, macro_end)

fig_macro = px.line(fc_macro, x="ds", y="yhat", title="Macro Forecast (daily)")
fig_macro.add_scatter(x=macro_df["date"], y=macro_df["price"], mode="lines", name="Actual")
st.plotly_chart(fig_macro, use_container_width=True)

# --------------------------------------------------
# 3. MICRO FORECAST 2024–2026 (아래 배치)
# --------------------------------------------------
st.subheader("🔎 미시 가격 추이 예측: 2024–2026")

micro_start = "2020-01-01"  # 더 최근 데이터만 학습
micro_horizon_end = "2026-12-31"
micro_df = item_df[item_df["date"] >= micro_start]

m_micro, fc_micro = fit_prophet(micro_df, micro_horizon_end)

fig_micro = px.line(fc_micro, x="ds", y="yhat", title="Micro Forecast (daily)")
fig_micro.add_scatter(x=micro_df["date"], y=micro_df["price"], mode="lines", name="Actual")
st.plotly_chart(fig_micro, use_container_width=True)

# --------------------------------------------------
# 4. SEASONALITY COMPONENTS
# --------------------------------------------------
st.subheader("📆 시즈널리티 분석")

with st.expander("시즈널리티 그래프 열기/닫기"):
    comp_fig = m_micro.plot_components(fc_micro)
    st.pyplot(comp_fig)
    st.markdown("""
    **설명**  
    * **Yearly seasonality**: 계절적 패턴(예: 수확기·명절 수요)  
    * **Trend**: 장기 추세.  
    * 주간 성분은 생략했습니다(가격 데이터가 주간 granularity가 아니므로).
    """)

# --------------------------------------------------
# 5. CORRELATION HEATMAP (품목 간)
# --------------------------------------------------
st.subheader("🧮 품목 간 상관관계 히트맵")

# 피벗: 월간 평균 가격으로 단위 맞추기
corr_df = (raw_df.assign(month=lambda d: d["date"].dt.to_period("M"))
                   .groupby(["month", "item"], as_index=False)["price"].mean()
                   .pivot(index="month", columns="item", values="price"))

corr = corr_df.corr()

fig, ax = plt.subplots(figsize=(12, 10))
mask = np.triu(np.ones_like(corr, dtype=bool))
sns.heatmap(corr, mask=mask, cmap="RdBu_r", center=0, linewidths=.5, ax=ax)
st.pyplot(fig)

st.markdown("""
**해석 가이드**  
- 빨간색은 양의 상관 → 두 품목 가격이 함께 오르내림.  
- 파란색은 음의 상관 → 대체재/수요 이동 가능성.  
- 절댓값 ≥ 0.7 인 관계는 price elasticity·수급 연동성 분석에 활용할 수 있습니다.
""")

# --------------------------------------------------
# 6. EXTRA CHART: 가격 변동성(rolling std)
# --------------------------------------------------
st.subheader("📊 30일 이동 표준편차 – 가격 변동성")

vol_df = (item_df.set_index("date")["price"]
                    .rolling(window=30)
                    .std().reset_index(name="rolling_std"))
fig_vol = px.area(vol_df, x="date", y="rolling_std", title="30D Rolling Std Dev")
st.plotly_chart(fig_vol, use_container_width=True)

st.markdown("""
- **높은 변동성 구간**은 재고·계약 전략 조정 필요.  
- 특히 날씨·수요 이벤트(명절, 폭염 등)와 겹치는지 교차 분석해 보세요.
""")

st.success("✅ 시각화 완료! 품목을 바꿔보며 인사이트를 확인하세요.")