sdc_classifier.py

import os
import numpy as np
import pandas as pd
import json
from typing import Dict, List, Optional, Union
from openai import OpenAI
from pathlib import Path
from embedding_cache import EmbeddingCache

class SDCClassifier:
    def __init__(self, 
                 openai_api_key: str = None, 
                 cache_path: str = "embeddings_cache.db",
                 local_model: str = "cambridgeltl/SapBERT-from-PubMedBERT-fulltext",
                 device: str = None):
        """
        Ініціалізація класифікатора SDC
        
        Args:
            openai_api_key: API ключ для OpenAI (опціонально, можна взяти з env)
            cache_path: шлях до файлу кешу ембедінгів
            local_model: назва або шлях до локальної моделі
            device: пристрій для локальної моделі ('cuda', 'cpu' або None)
        """
        self.client = OpenAI(api_key=openai_api_key or os.getenv("OPENAI_API_KEY"))
        self.local_embedder = None
        self.using_local = False
        
        if local_model:
            from local_embedder import LocalEmbedder
            self.local_embedder = LocalEmbedder(local_model, device)
            self.using_local = True
        
        self.classes_json = {}
        self.class_signatures = None
        self.df = None
        self.embeddings = None
        self.embeddings_mean = None
        self.embeddings_std = None
        
        # Створення директорії для кешу
        cache_dir = os.path.dirname(cache_path)
        if cache_dir and not os.path.exists(cache_dir):
            os.makedirs(cache_dir)
            
        # Ініціалізація кешу
        self.cache = EmbeddingCache(cache_path)
        
        # Базовий стан
        self.base_classes_json = {}
        self.base_signatures = None

    def load_initial_state(self, classes_file: str, signatures_file: str) -> str:
        """
        Завантаження початкового стану при старті застосунку
        
        Args:
            classes_file: шлях до файлу з класами
            signatures_file: шлях до файлу з signatures
            
        Returns:
            str: повідомлення про результат завантаження
        """
        try:
            self.base_classes_json = self.load_classes(classes_file)
            if os.path.exists(signatures_file):
                self.base_signatures = self.load_signatures(signatures_file)
            
            # Встановлюємо поточний стан як базовий
            self.classes_json = self.base_classes_json.copy()
            self.class_signatures = self.base_signatures.copy() if self.base_signatures else None
            
            return f"Завантажено {len(self.base_classes_json)} базових класів"
        except Exception as e:
            return f"Помилка при завантаженні базового стану: {str(e)}"
            
    def restore_base_state(self) -> None:
        """Відновлення базового стану"""
        self.classes_json = self.base_classes_json.copy()
        self.class_signatures = self.base_signatures.copy() if self.base_signatures else None

    def load_classes(self, json_path: Union[str, dict]) -> dict:
        """
        Завантаження класів та їх хінтів з JSON файлу або словника
        
        Args:
            json_path: шлях до JSON файлу або словник з класами
            
        Returns:
            dict: словник класів та їх хінтів
        """
        try:
            if isinstance(json_path, dict):
                self.classes_json = json_path
            else:
                with open(json_path, 'r', encoding='utf-8') as f:
                    self.classes_json = json.load(f)
                    
            if not all(isinstance(hints, list) for hints in self.classes_json.values()):
                raise ValueError("Кожен клас повинен мати список хінтів")
                
            return self.classes_json
        except FileNotFoundError:
            print(f"Файл {json_path} не знайдено!")
            return {}
        except json.JSONDecodeError:
            print(f"Помилка читання JSON з файлу {json_path}!")
            return {}
    
    def save_signatures(self, filename: str = "signatures.npz") -> None:
        """
        Зберігає signatures у NPZ файл
        
        Args:
            filename: шлях до файлу для збереження
        """
        if self.class_signatures:
            np.savez(filename, **self.class_signatures)

    def load_signatures(self, filename: str = "signatures.npz") -> Dict[str, np.ndarray]:
        """
        Завантажує signatures з NPZ файлу
        
        Args:
            filename: шлях до файлу з signatures
            
        Returns:
            Dict[str, np.ndarray]: словник signatures
        """
        try:
            with np.load(filename) as data:
                self.class_signatures = {key: data[key] for key in data.files}
            return self.class_signatures
        except (FileNotFoundError, IOError):
            return None

    def get_embedding(self, text: str, model_name: str = None) -> list:
        """
        Отримання ембедінгу тексту
        
        Args:
            text: текст для ембедінгу
            model_name: назва моделі (OpenAI) або None для локальної
            
        Returns:
            list: ембедінг тексту
        """
        # Перевіряємо кеш
        cached_embedding = self.cache.get(text, model_name or "local")
        if cached_embedding is not None:
            return cached_embedding.tolist()
        
        # Отримуємо ембедінг
        if self.using_local and model_name is None:
            embedding = self.local_embedder.get_embeddings(text)[0]
        else:
            response = self.client.embeddings.create(
                input=text,
                model=model_name or "text-embedding-3-large"
            )
            embedding = response.data[0].embedding
        
        # Зберігаємо в кеш
        self.cache.put(text, model_name or "local", embedding)
        
        return embedding
        
    def get_cache_stats(self) -> dict:
        """Отримання статистики кешування"""
        return self.cache.get_stats()
        
    def clear_old_cache(self, days: int = 30) -> int:
        """Очищення старих записів з кешу"""
        return self.cache.clear_old(days)

    def embed_hints(self, hint_list: List[str], model_name: str = None) -> np.ndarray:
        """
        Створення ембедінгів для списку хінтів
        
        Args:
            hint_list: список хінтів
            model_name: назва моделі для ембедінгів
            
        Returns:
            np.ndarray: матриця ембедінгів
        """
        emb_list = []
        total_hints = len(hint_list)
        
        for idx, hint in enumerate(hint_list, 1):
            try:
                print(f"  Отримання embedding {idx}/{total_hints}: '{hint}'")
                emb = self.get_embedding(hint, model_name=model_name)
                emb_list.append(emb)
            except Exception as e:
                print(f"  Помилка при отриманні embedding для '{hint}': {str(e)}")
                continue
        
        if not emb_list:
            raise ValueError("Не вдалося отримати жодного embedding")
        
        return np.array(emb_list, dtype=np.float32)

    def initialize_signatures(self, 
                                model_name: str = None,
                                signatures_file: str = "signatures.npz",
                                force_rebuild: bool = False) -> str:
        """
        Ініціалізує signatures: завантажує існуючі або створює нові
        
        Args:
            model_name: назва моделі для ембедінгів
            signatures_file: шлях до файлу для збереження (None - не зберігати)
            force_rebuild: примусово перебудувати signatures
        """
        if not self.classes_json:
            return "Помилка: Не знайдено жодного класу в classes.json"
        
        print(f"Знайдено {len(self.classes_json)} класів")
        
        # Завантажуємо існуючі signatures
        if not force_rebuild and signatures_file and os.path.exists(signatures_file):
            try:
                loaded_signatures = self.load_signatures(signatures_file)
                if loaded_signatures and all(cls in loaded_signatures for cls in self.classes_json):
                    self.class_signatures = loaded_signatures
                    print("Успішно завантажено збережені signatures")
                    return f"Завантажено існуючі signatures для {len(self.class_signatures)} класів"
            except Exception as e:
                print(f"Помилка при завантаженні signatures: {str(e)}")
        
        try:
            self.class_signatures = {}
            total_classes = len(self.classes_json)
            print(f"Починаємо створення нових signatures для {total_classes} класів...")
            
            for idx, (cls_name, hints) in enumerate(self.classes_json.items(), 1):
                if not hints:
                    print(f"Пропускаємо клас {cls_name} - немає хінтів")
                    continue
                    
                print(f"Обробка класу {cls_name} ({idx}/{total_classes})...")
                try:
                    # Отримуємо ембедінги для всіх хінтів класу
                    arr = self.embed_hints(hints, model_name=model_name)
                    
                    # Нормалізуємо кожен ембедінг
                    norms = np.linalg.norm(arr, axis=1, keepdims=True)
                    arr = arr / norms
                    
                    # Обчислюємо середній нормалізований ембедінг
                    self.class_signatures[cls_name] = np.mean(arr, axis=0)
                    
                    print(f"Успішно створено signature для {cls_name}")
                except Exception as e:
                    print(f"Помилка при створенні signature для {cls_name}: {str(e)}")
                    continue
            
            if not self.class_signatures:
                return "Помилка: Не вдалося створити жодного signature"
            
            # Зберігаємо signatures
            if signatures_file:
                try:
                    self.save_signatures(signatures_file)
                    print("Signatures збережено у файл")
                except Exception as e:
                    print(f"Помилка при збереженні signatures: {str(e)}")
            
            return f"Створено нові signatures для {len(self.class_signatures)} класів"
        except Exception as e:
            return f"Помилка при створенні signatures: {str(e)}"

    def load_data(self, csv_path: str = "messages.csv", emb_path: str = "embeddings.npy") -> str:
        """
        Завантаження даних з CSV та NPY файлів
        
        Args:
            csv_path: шлях до CSV файлу
            emb_path: шлях до NPY файлу з ембедінгами
            
        Returns:
            str: повідомлення про результат
        """
        self.df = pd.read_csv(csv_path)
        emb_local = np.load(emb_path)
        assert len(self.df) == len(emb_local), "CSV і embeddings різної довжини!"

        self.df["Target"] = "Unlabeled"
        
        self.embeddings_mean = emb_local.mean(axis=0)
        self.embeddings_std = emb_local.std(axis=0)
        self.embeddings = (emb_local - self.embeddings_mean) / self.embeddings_std
        
        return f"Завантажено {len(self.df)} рядків"

    def predict_classes(self, text_embedding: np.ndarray, threshold: float = 0.0) -> Dict[str, float]:
        """
        Передбачення класів для одного тексту
        
        Args:
            text_embedding: ембедінг тексту
            threshold: поріг впевненості
            
        Returns:
            Dict[str, float]: словник класів та їх scores
        """
        results = {}
        for cls, sign in self.class_signatures.items():
            score = float(np.dot(text_embedding, sign))
            if score > threshold:
                results[cls] = score
                
        return dict(sorted(results.items(), key=lambda x: x[1], reverse=True))

    def process_single_text(self, text: str, threshold: float = 0.3) -> dict:
        """
        Обробка одного тексту
        
        Args:
            text: текст для класифікації
            threshold: поріг впевненості
            
        Returns:
            dict: результати класифікації
        """
        if self.class_signatures is None:
            return {"error": "Спочатку збудуйте signatures!"}
            
        # Отримуємо ембедінг
        emb = np.array(self.get_embedding(text))
        
        # Нормалізуємо відносно даних навчання, якщо вони доступні
        if self.embeddings_mean is not None and self.embeddings_std is not None and not self.using_local:
            emb = (emb - self.embeddings_mean) / self.embeddings_std
        
        # Отримуємо передбачення
        predictions = self.predict_classes(emb, threshold)
        
        if not predictions:
            return {"message": text, "result": "Жодного класу не знайдено"}
        
        # Форматуємо результати
        formatted_results = []
        for cls, score in predictions.items():
            # Конвертуємо score в відсотки, обмежуємо до 100%
            score_percent = min(abs(float(score)) * 100, 100)
            formatted_results.append(f"{cls}: {score_percent:.2f}%")
        
        return {
            "message": text,
            "result": " ".join(formatted_results)
        }
    
    def classify_rows(self, filter_substring: str = "", threshold: float = 0.3) -> pd.DataFrame:
        """
        Класифікація всіх або відфільтрованих рядків
        
        Args:
            filter_substring: підрядок для фільтрації
            threshold: поріг впевненості
            
        Returns:
            pd.DataFrame: результати класифікації
        """
        if self.class_signatures is None:
            raise ValueError("Спочатку збудуйте signatures!")

        if self.df is None or self.embeddings is None:
            raise ValueError("Дані не завантажені! Спочатку викличте load_data.")

        if filter_substring:
            filtered_idx = self.df[self.df["Message"].str.contains(filter_substring, 
                                                                 case=False,
                                                                 na=False)].index
        else:
            filtered_idx = self.df.index
            
        for cls in self.class_signatures.keys():
            self.df[f"Score_{cls}"] = 0.0
            
        for i in filtered_idx:
            emb_vec = self.embeddings[i]
            predictions = self.predict_classes(emb_vec, threshold=threshold)
            
            for cls, score in predictions.items():
                self.df.at[i, f"Score_{cls}"] = score
                
            main_classes = [cls for cls, score in predictions.items() 
                           if score > threshold]
            self.df.at[i, "Target"] = "|".join(main_classes) if main_classes else "None"

        result_columns = ["Message", "Target"] + [f"Score_{cls}" 
                                                for cls in self.class_signatures.keys()]
        result_df = self.df.loc[filtered_idx, result_columns].copy()
        return result_df.reset_index(drop=True)

    def save_results(self, output_path: str = "messages_with_labels.csv") -> str:
        """
        Зберігання результатів класифікації
        
        Args:
            output_path: шлях для збереження результатів
            
        Returns:
            str: повідомлення про результат
        """
        if self.df is None:
            return "Дані відсутні!"
        
        self.df.to_csv(output_path, index=False)
        return f"Дані збережено у файл {output_path}"
        
    def save_model_info(self, path: str = "model_info.json") -> None:
        """
        Зберігання інформації про поточний стан моделі
        
        Args:
            path: шлях для збереження
        """
        info = {
            "using_local": self.using_local,
            "classes_count": len(self.classes_json),
            "signatures_count": len(self.class_signatures) if self.class_signatures else 0,
            "cache_stats": self.get_cache_stats(),
        }
        
        if self.using_local:
            info["local_model"] = self.local_embedder.get_model_info()
            
        with open(path, 'w', encoding='utf-8') as f:
            json.dump(info, f, indent=2)
    
    def evaluate_classification(self, csv_path: str, threshold: float = 0.3) -> pd.DataFrame:
        """
        Оцінка класифікації текстів з CSV файлу
        
        Args:
            csv_path: шлях до CSV файлу з колонками Category та Question
            threshold: поріг впевненості для класифікації
            
        Returns:
            pd.DataFrame: результати класифікації з додатковими метриками
        """
        if self.class_signatures is None:
            raise ValueError("Спочатку збудуйте signatures!")
            
        # Завантаження даних
        df = pd.read_csv(csv_path)
        if not {'Category', 'Question'}.issubset(df.columns):
            raise ValueError("CSV повинен містити колонки 'Category' та 'Question'")
        
        # Підготовка результатів
        results = []
        
        for idx, row in df.iterrows():
            # Отримуємо ембедінг для питання
            emb = np.array(self.get_embedding(row['Question']))
            
            # Нормалізуємо якщо потрібно
            if self.embeddings_mean is not None and self.embeddings_std is not None and not self.using_local:
                emb = (emb - self.embeddings_mean) / self.embeddings_std
                
            # Отримуємо всі передбачення
            predictions = self.predict_classes(emb, threshold)
            
            # Формуємо список класів за рівнем впевненості
            sorted_classes = list(predictions.keys())
            
            # Знаходимо позицію очікуваного класу
            expected_class = row['Category']
            expected_position = sorted_classes.index(expected_class) + 1 if expected_class in sorted_classes else -1
            
            # Отримуємо рівень впевненості для очікуваного класу
            expected_confidence = predictions.get(expected_class, 0.0)
            
            # Додаємо результат
            results.append({
                'Category': row['Category'],
                'Question': row['Question'],
                'ExpectedClassPosition': expected_position,
                'ExpectedClassConfidence': expected_confidence,
                'ClassificationResults': json.dumps(predictions)
            })
        
        return pd.DataFrame(results)

    def save_evaluation_results(self, df: pd.DataFrame, output_path: str = "evaluation_results.csv") -> str:
        """
        Зберігає результати оцінки класифікації
        
        Args:
            df: DataFrame з результатами
            output_path: шлях для збереження файлу
            
        Returns:
            str: повідомлення про результат
        """
        try:
            df.to_csv(output_path, index=False)
            return f"Результати збережено у файл {output_path}"
        except Exception as e:
            return f"Помилка при збереженні результатів: {str(e)}"

    def get_evaluation_statistics(self, df: pd.DataFrame) -> dict:
        """
        Розраховує статистику по результатам класифікації
        
        Args:
            df: DataFrame з результатами класифікації
            
        Returns:
            dict: статистика класифікації
        """
        total = len(df)
        found_mask = df['ExpectedClassPosition'] != -1
        correct_first = (df['ExpectedClassPosition'] == 1).sum()
        in_top3 = (df['ExpectedClassPosition'].between(1, 3)).sum()
        not_found = (~found_mask).sum()
        
        # Середня впевненість для коректних класифікацій
        mean_confidence = df[df['ExpectedClassPosition'] == 1]['ExpectedClassConfidence'].mean()
        
        # Підрахунок по діапазонах впевненості
        confidence_ranges = {
            "90-100%": ((df['ExpectedClassConfidence'] >= 0.9) & found_mask).sum(),
            "70-90%": ((df['ExpectedClassConfidence'].between(0.7, 0.9)) & found_mask).sum(),
            "50-70%": ((df['ExpectedClassConfidence'].between(0.5, 0.7)) & found_mask).sum(),
            "<50%": ((df['ExpectedClassConfidence'] < 0.5) & found_mask).sum()
        }
        
        return {
            "total_samples": total,
            "correct_first_place": {
                "count": int(correct_first),
                "percentage": round(correct_first/total * 100, 1)
            },
            "in_top3": {
                "count": int(in_top3),
                "percentage": round(in_top3/total * 100, 1)
            },
            "not_found": {
                "count": int(not_found),
                "percentage": round(not_found/total * 100, 1)
            },
            "mean_confidence_correct": round(mean_confidence * 100, 1) if not np.isnan(mean_confidence) else 0,
            "confidence_distribution": {
                k: {
                    "count": int(v),
                    "percentage": round(v/total * 100, 1)
                }
                for k, v in confidence_ranges.items()
            }
        }

    def evaluate_classification(self, csv_path: str, threshold: float = 0.3) -> tuple[pd.DataFrame, dict]:
        """
        Оцінка класифікації текстів з CSV файлу
        
        Args:
            csv_path: шлях до CSV файлу з колонками Category та Question
            threshold: поріг впевненості для класифікації
            
        Returns:
            tuple[pd.DataFrame, dict]: результати класифікації та статистика
        """
        if self.class_signatures is None:
            raise ValueError("Спочатку збудуйте signatures!")
            
        # Завантаження даних
        df = pd.read_csv(csv_path)
        if not {'Category', 'Question'}.issubset(df.columns):
            raise ValueError("CSV повинен містити колонки 'Category' та 'Question'")
        
        # Підготовка результатів
        results = []
        
        for idx, row in df.iterrows():
            # Отримуємо ембедінг для питання
            emb = np.array(self.get_embedding(row['Question']))
            
            # Нормалізуємо якщо потрібно
            if self.embeddings_mean is not None and self.embeddings_std is not None and not self.using_local:
                emb = (emb - self.embeddings_mean) / self.embeddings_std
                
            # Отримуємо всі передбачення
            predictions = self.predict_classes(emb, threshold)
            
            # Формуємо список класів за рівнем впевненості
            sorted_classes = list(predictions.keys())
            
            # Знаходимо позицію очікуваного класу
            expected_class = row['Category']
            expected_position = sorted_classes.index(expected_class) + 1 if expected_class in sorted_classes else -1
            
            # Отримуємо рівень впевненості для очікуваного класу
            expected_confidence = predictions.get(expected_class, 0.0)
            
            # Додаємо результат
            results.append({
                'Category': row['Category'],
                'Question': row['Question'],
                'ExpectedClassPosition': expected_position,
                'ExpectedClassConfidence': expected_confidence,
                'ClassificationResults': json.dumps(predictions)
            })
        
        results_df = pd.DataFrame(results)
        statistics = self.get_evaluation_statistics(results_df)
    
        return results_df, statistics
    
    @staticmethod
    def load_model_info(path: str) -> dict:
        """
        Завантаження інформації про модель
        
        Args:
            path: шлях до файлу з інформацією
            
        Returns:
            dict: інформація про модель
        """
        with open(path, 'r', encoding='utf-8') as f:
            return json.load(f)