import numpy as np
import matplotlib.pyplot as plt
import ipywidgets as widgets
from IPython.display import display, clear_output

slider_high1 = widgets.FloatSlider(value=1.0, min=0, max=1.0, step=0.01, description='High 1', continuous_update=False)
slider_low1  = widgets.FloatSlider(value=0.0, min=0, max=1.0, step=0.01, description='Low 1', continuous_update=False)
slider_high2 = widgets.FloatSlider(value=1.0, min=0, max=1.0, step=0.01, description='High 2', continuous_update=False)
slider_low2  = widgets.FloatSlider(value=0.0, min=0, max=1.0, step=0.01, description='Low 2', continuous_update=False)

ref_high = widgets.FloatText(value=2600, description='Actual Max')
ref_low = widgets.FloatText(value=1900, description='Actual Min')

label_high1 = widgets.Label()
label_low1 = widgets.Label()
label_high2 = widgets.Label()
label_low2 = widgets.Label()
pred_label = widgets.Label(value="📊 Predicted High & Low will appear here")

fig, ax = plt.subplots(figsize=(14, 7))

def update_plot(change=None):
    global fig, ax
    plt.clf()
    fig, ax = plt.subplots(figsize=(14, 7))
    highs = [slider_high1.value, slider_high2.value]
    lows  = [slider_low1.value, slider_low2.value]
    actual_max = ref_high.value
    actual_min = ref_low.value
    def denorm(val): return val * (actual_max - actual_min) + actual_min

    label_high1.value = f"→ {denorm(slider_high1.value):.2f}"
    label_low1.value  = f"→ {denorm(slider_low1.value):.2f}"
    label_high2.value = f"→ {denorm(slider_high2.value):.2f}"
    label_low2.value  = f"→ {denorm(slider_low2.value):.2f}"

    input_data = np.array([[highs[0], lows[0]], [highs[1], lows[1]]])
    input_tensor = input_data.reshape(1, 2, 2)

    prediction = model.predict(input_tensor, verbose=0)[0]
    pred_high, pred_low = max(prediction[0], prediction[1]), min(prediction[0], prediction[1])

    ax.fill_between([0, 1], highs, lows, color='skyblue', alpha=0.4, label="Actual Range")
    ax.plot([0, 1], highs, color='blue', label="Actual High")
    ax.plot([0, 1], lows, color='blue', linestyle='dotted', label="Actual Low")
    ax.fill_between([1, 2], [highs[1], pred_high], [lows[1], pred_low], color='salmon', alpha=0.4, label="Predicted Range")
    ax.plot([1, 2], [highs[1], pred_high], color='red', label="Predicted High")
    ax.plot([1, 2], [lows[1], pred_low], color='red', linestyle='dotted', label="Predicted Low")

    points = [
        (0, highs[0], "High", 'blue'),
        (0, lows[0],  "Low",  'blue'),
        (1, highs[1], "High", 'blue'),
        (1, lows[1],  "Low",  'blue'),
        (2, pred_high,"High", 'red'),
        (2, pred_low, "Low",  'red')
    ]

    for x, y, label, color in points:
        ax.text(x, y + 0.03, f"{label}: {y:.2f} → {denorm(y):.2f}", color=color, fontsize=10, ha='center', va='bottom', bbox=dict(boxstyle='round,pad=0.2', fc='white', ec=color, lw=1, alpha=0.5))

    ax.set_xlim(-1, 3)
    ax.set_ylim(-0.5, 1.5)
    ax.set_xticks([0, 1, 2])
    ax.set_xticklabels(["T-1", "T", "T+1 (Predicted)"])
    ax.set_title("Gold Price Prediction")
    ax.set_ylabel("Normalized Price")
    ax.grid(True)
    ax.legend(loc='upper left')

    ax2 = ax.twinx()
    ax2.set_ylim(ax.get_ylim())
    yticks = np.linspace(*ax.get_ylim(), num=6)
    ax2.set_yticks(yticks)
    ax2.set_yticklabels([f'{denorm(y):.2f}' for y in yticks])
    ax2.set_ylabel("Actual Price")

    pred_label.value = f"📊 Predicted High: {denorm(pred_high):.2f} | Low: {denorm(pred_low):.2f}"

    clear_output(wait=True)
    display(ui, fig)
    plt.close(fig)

def sync_slider_constraints(change=None):
    slider_low1.max = slider_high1.value
    if slider_low1.value > slider_high1.value:
        slider_low1.value = slider_high1.value
    slider_low2.max = slider_high2.value
    if slider_low2.value > slider_high2.value:
        slider_low2.value = slider_high2.value

slider_high1.observe(sync_slider_constraints, names='value')
slider_high2.observe(sync_slider_constraints, names='value')

for s in [slider_high1, slider_low1, slider_high2, slider_low2, ref_high, ref_low]:
    s.observe(update_plot, names='value')

ui = widgets.VBox([
    widgets.HTML("<h3>🎛️ Adjust Normalized Inputs + Reference Range</h3>"),
    widgets.HBox([slider_high1, label_high1]),
    widgets.HBox([slider_low1, label_low1]),
    widgets.HBox([slider_high2, label_high2]),
    widgets.HBox([slider_low2, label_low2]),
    ref_high, ref_low,
    pred_label
])

sync_slider_constraints()
display(ui)
update_plot()

# ก่อนที่จะใช้งาน เราต้องรู้ high กับ low ของราคาทองคำในเมื่อวาน (ไม่ก็วันศุกร์ที่แล้ว) และวันนี้ก่อน
# เพื่อที่เราจะได้พยากรณ์ high และ low ของราคาทองคำในวันพรุ่งนี้ (ไม่ก็วันจันทร์หน้า) ได้

# วิธีการใช้งาน:
# 1. ให้ตั้งค่า Actual Max เป็นค่า high สูงสุดของราคาทองคำที่จะใช้เพื่อนำมาพยากรณ์
# และตั้งค่า Actual Min เป็นค่า low ต่ำสุดของราคาทองคำที่จะใช้เพื่อนำมาพยากรณ์
# โดยหน่วยที่ใช้นั้น จะเป็นสกุลเงินอะไรก็ได้ เพราะว่าโมเดลพยากรณ์โดยอาศัยข้อมูลที่เป็นอัตราส่วน

# 2. ให้ปรับค่า High 1 เป็น high ของราคาทองคำในเมื่อวาน (ไม่ก็วันศุกร์ที่แล้ว)
# และปรับค่า High 2 เป็น high ของราคาทองคำในวันนี้
# อย่าเพิ่งปรับค่า Low 1 หรือ Low 2 เพราะสองค่าที่ว่า จะสัมพันธ์กับ High

# 3. ให้ปรับค่า Low 1 เป็น low ของราคาทองคำในเมื่อวาน (ไม่ก็วันศุกร์ที่แล้ว)
# และปรับค่า Low 2 เป็น low ของราคาทองคำในวันนี้

# 4. อ่านการพยากรณ์ของ high และ low ของราคาทองคำในวันพรุ่งนี้ (ไม่ก็วันจันทร์หน้า)
# เพื่อประกอบการช่วยสินใจในด้านการลงทุนหรือการเก็งกำไร