import numpy as np
import joblib
import json
import argparse
import tensorflow as tf
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
from .sequence_utils import load_sequences_from_csv

def evaluate(data_path, model_path, max_len=30, test_size=0.2):
    # Загружаем данные
    X_train, X_test, y_train, y_test, le = load_sequences_from_csv(data_path, max_len, test_size)
    # Загружаем модель
    model = tf.keras.models.load_model(model_path)
    # Загружаем классы (или используем le из данных)
    try:
        classes_path = model_path.replace('.h5', '_classes.pkl')
        with open(classes_path, 'rb') as f:
            saved_classes = joblib.load(f)
        # Проверяем соответствие классов
        if list(saved_classes) != list(le.classes_):
            print("Warning: classes in model and data differ. Using data classes.")
            classes = le.classes_
        else:
            classes = saved_classes
    except:
        classes = le.classes_

    # Предсказание
    y_pred = np.argmax(model.predict(X_test), axis=1)
    acc = accuracy_score(y_test, y_pred)
    report = classification_report(y_test, y_pred, target_names=classes, output_dict=True)
    cm = confusion_matrix(y_test, y_pred).tolist()

    print(f"Test accuracy: {acc:.4f}")
    print("\nClassification Report:")
    for cls in classes:
        print(f"{cls}: precision={report[cls]['precision']:.3f}, recall={report[cls]['recall']:.3f}, f1={report[cls]['f1-score']:.3f}")
    print("\nConfusion Matrix:")
    for row in cm:
        print(row)

    # Сохраняем отчёт
    report_path = model_path.replace('.h5', '_evaluation_report.json')
    with open(report_path, 'w') as f:
        json.dump({
            'accuracy': acc,
            'classification_report': report,
            'confusion_matrix': cm
        }, f, indent=2)
    print(f"\nEvaluation report saved to {report_path}")

if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='Оценка LSTM для динамических жестов')
    parser.add_argument('--data', required=True, help='Путь к CSV-файлу или папке с CSV-файлами')
    parser.add_argument('--model', required=True, help='Путь к обученной модели (.h5)')
    parser.add_argument('--max_len', type=int, default=30, help='Длина последовательности (должна совпадать с обучением)')
    parser.add_argument('--test_size', type=float, default=0.2, help='Доля тестовой выборки')
    args = parser.parse_args()
    evaluate(args.data, args.model, args.max_len, args.test_size)