import numpy as np
import pandas as pd
#!pip install neattext               # Installing the neattext library
import neattext.functions as ntf
from sklearn.feature_extraction.text import TfidfVectorizer,CountVectorizer,TfidfTransformer
from sklearn.pipeline import Pipeline

import os
import pandas as pd

# Đường dẫn tới file Excel
#excel_file_path = '/content/Data_LHU_2cot .xlsx'

# Đọc file Excel
#df = pd.read_excel(excel_file_path)

# Lấy tên file Excel và thay đổi đuôi sang CSV
#csv_file_name = os.path.splitext(os.path.basename(excel_file_path))[0] + '.csv'
#csv_file_path = os.path.join(os.path.dirname(excel_file_path), csv_file_name)
# lấy file csv
csv_file_path="Data_LHU_2cot .csv"
sn=pd.read_csv(csv_file_path)
#csv_file_path="Data_LHU_2cot.csv"

# Ghi dữ liệu ra file CSV
#df.to_csv(csv_file_path, index=False, encoding='utf-8-sig')  # utf-8-sig để giữ nguyên dấu

#print(f'Chuyển đổi thành công! File CSV được lưu tại: {csv_file_path}')
#sn=pd.read_csv(csv_file_path)
# Kiểm tra và loại bỏ NaN từ cột 'Câu hỏi' và 'Câu trả lời'
sn['Câu hỏi'].fillna('', inplace=True)
sn['Câu trả lời'].fillna('', inplace=True)

# Làm sạch dữ liệu
sn['Câu hỏi_Làm sạch'] = sn['Câu hỏi'].apply(lambda x: ntf.remove_userhandles(x) if isinstance(x, str) else x)
sn['Câu hỏi_Làm sạch'] = sn['Câu hỏi_Làm sạch'].apply(lambda x: ntf.remove_punctuations(x) if isinstance(x, str) else x)

sn['Câu trả lời_Làm sạch'] = sn['Câu trả lời'].apply(lambda x: ntf.remove_userhandles(x) if isinstance(x, str) else x)
sn['Câu trả lời_Làm sạch'] = sn['Câu trả lời_Làm sạch'].apply(lambda x: ntf.remove_punctuations(x) if isinstance(x, str) else x)

from sklearn.neural_network import MLPClassifier
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer

# Khởi tạo mô hình Neural Network
nn_pipe = Pipeline([
    ('vect', CountVectorizer()),
    ('tfidf', TfidfTransformer()),
    ('nn', MLPClassifier(hidden_layer_sizes=(100,), max_iter=300, activation='relu', solver='adam'))
])

# Huấn luyện mô hình Neural Network
nn_pipe.fit(sn['Câu hỏi'], sn['Câu trả lời'])

import openai
openai.api_key = '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'

# Danh sách tin nhắn cho OpenAI
messages = [
    {"role": "system", "content": "You are a kind helpful assistant."},
]

confidence_threshold = 0.5

import gradio as gr


def chatbot(question):
    # Làm sạch câu hỏi từ người dùng
    clean_question = ntf.remove_userhandles(question)
    clean_question = ntf.remove_punctuations(clean_question)

    # Sử dụng mô hình Neural Network để dự đoán câu trả lời
    predicted_answer_prob_nn = nn_pipe.predict_proba([clean_question])[0]
    predicted_answer_nn = nn_pipe.predict([clean_question])[0]

    # Check the confidence level for Neural Network
    if max(predicted_answer_prob_nn) >= confidence_threshold:
        return predicted_answer_nn
    else:
        # Sử dụng OpenAI GPT-3.5-turbo nếu Neural Network không tự tin
        messages.append({"role": "user", "content": question + "trường Đại học Lạc Hồng ở phường Bửu Long, thành phố Biên Hòa, tỉnh Đồng Nai"})
        chat = openai.ChatCompletion.create(model="gpt-3.5-turbo", messages=messages)
        reply = chat.choices[0].message.content
        messages.append({"role": "assistant", "content": reply})
        return reply

iface = gr.Interface(
    fn=chatbot,
    inputs="text",
    outputs="text",
    title="ChatBot_LHU",
    description="Nhập câu hỏi của bạn ở đây"
)
iface.launch()

# Lưu trữ mô hình
import pickle

# Lưu trữ mô hình
with open("model.pkl", "wb") as f:
    pickle.dump(chatbot, f)