import gradio as gr
from transformers import pipeline

# ID de tu modelo de análisis de sentimientos que ya subiste
MODEL_ID = "Light-Dav/sentiment-analysis-full-project"

# Cargar el pipeline del modelo
try:
    classifier = pipeline("sentiment-analysis", model=MODEL_ID)
except Exception as e:
    print(f"Error al cargar el modelo {MODEL_ID}: {e}")
    classifier = None # Para evitar errores si classifier no se inicializa

def analyze_sentiment(text):
    if not text:
        return {"Positive": 0.0, "Negative": 0.0, "Neutral": 0.0}

    if classifier is None:
        return {"Error": "Modelo no cargado. Contactar al administrador."}

    # Realizar la inferencia
    # pipeline devuelve una lista de diccionarios, tomamos el primero
    results = classifier(text)[0]

    # Formatear el resultado para Gradio (diccionario de etiqueta a score)
    formatted_results = {}
    for item in results:
        formatted_results[item['label']] = item['score']

    return formatted_results

# Crear la interfaz de Gradio
iface = gr.Interface(
    fn=analyze_sentiment,
    inputs=gr.Textbox(lines=3, placeholder="Escribe tu texto aquí..."),
    outputs=gr.Label(num_top_classes=3), # Mostrar las 3 clases principales (Positivo, Negativo, Neutro)
    title="🤖 Análisis de Sentimientos en Español",
    description="Introduce un texto en español y el modelo predecirá su sentimiento (Positivo, Negativo, Neutro).",
    examples=[
        ["Me encantó este libro, es fascinante y lo recomiendo totalmente."],
        ["El servicio fue terrible, muy lento y poco amable."],
        ["La reunión se programó para el jueves a las 10 AM."]
    ]
)

# Iniciar la aplicación Gradio (esto se hace automáticamente en Hugging Face Spaces)
iface.launch(share=False)