import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt
from transformers import AutoTokenizer, AutoModelForSequenceClassification
from scipy.special import softmax
import torch

st.set_page_config(page_title="Análise de Sentimento com Transformers", layout="wide")

# Título
st.title("🔍 Análise de Sentimentos com Transformers")
st.markdown("Insira textos e escolha um modelo de linguagem para realizar a classificação de sentimentos.")

# Modelos disponíveis
modelos_disponiveis = {
    "FinBert (Financeiro - PT-BR)": "turing-usp/FinBertPTBR",
    "BERT Base PT-BR (NeuralMind)": "neuralmind/bert-base-portuguese-cased",
    "Multilingual BERT": "nlptown/bert-base-multilingual-uncased-sentiment"
}

# Sidebar com seleção de modelo
modelo_escolhido = st.sidebar.selectbox("Escolha o modelo:", list(modelos_disponiveis.keys()))
model_name = modelos_disponiveis[modelo_escolhido]

@st.cache_resource(show_spinner=False)
def carregar_modelo(model_name):
    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForSequenceClassification.from_pretrained(model_name)
    return tokenizer, model

tokenizer, model = carregar_modelo(model_name)

def avaliar_sentimento(texto):
    inputs = tokenizer(texto, return_tensors="pt", padding=True, truncation=True, max_length=512)
    with torch.no_grad():
        outputs = model(**inputs)
    scores = softmax(outputs.logits[0].numpy())
    labels = model.config.id2label
    resultado = {labels[i]: float(scores[i]) for i in range(len(scores))}
    sentimento_previsto = max(resultado, key=resultado.get)
    return {"sentimento": sentimento_previsto, "scores": resultado}

# Entrada de textos
textos = st.text_area("Digite os textos (um por linha):", height=200)

if st.button("🔍 Analisar Sentimentos"):
    linhas = [linha.strip() for linha in textos.strip().split("\n") if linha.strip()]

    if not linhas:
        st.warning("Por favor, insira ao menos um texto.")
    else:
        resultados = []
        for t in linhas:
            res = avaliar_sentimento(t)
            resultados.append({
                "Texto": t,
                "Sentimento": res["sentimento"],
                **res["scores"]
            })

        df_resultados = pd.DataFrame(resultados)
        st.success("Análise concluída!")

        # Mostrar tabela
        st.subheader("📋 Resultados")
        st.dataframe(df_resultados, use_container_width=True)

        # Gráfico
        st.subheader("📊 Distribuição de Sentimentos")
        fig, ax = plt.subplots()
        df_resultados["Sentimento"].value_counts().plot(kind='bar', ax=ax, rot=0)
        ax.set_xlabel("Sentimento")
        ax.set_ylabel("Frequência")
        st.pyplot(fig)