import pandas as pd
from pandasai import SmartDataframe
from pandasai.llm.base import LLM
import requests

# 自定義DeepSeek大模型
class DeepSeekLLM(LLM):
    def __init__(self, api_url:str, api_key: str, model: str):
        super().__init__()
        self.api_url = api_url
        self.api_key = api_key
        self.model = model        


    def call(self, instruction, context: dict = None, **kwargs) -> str:  
        """
        PandasAI 用來向 LLM 模型發(fā)起請求的接口入口。

        Args:
            instruction (str): PandasAI 傳入的 prompt，可能是 string 或自定義對象，表示用戶的問題。
            context (dict, optional): 包含上下文信息（例如 DataFrame 元數(shù)據(jù)等），在部分 LLM 中可用。
            **kwargs: 保留接口向前兼容（比如未來增加其他參數(shù)時也能傳入）。

        Returns:
            str: 執(zhí)行指令后的結(jié)果輸出。
        """

        # 把復雜的 Prompt 對象變成字符串
        if not isinstance(instruction, str):
            instruction = str(instruction)

        # 請求頭
        headers = {
            "Authorization": f"Bearer {self.api_key}",   # DeepSeek身份驗證
            "Content-Type": "application/json"
        }

        # 兼容 OpenAI 的 Chat Completion API的對話消息格式
        messages = [
            {
                "role": "system", # 設定 LLM 的行為
                "content": "You are a helpful AI assistant for data analysis."
            },
            {
                "role": "user",  # 是實際的問題
                "content": instruction
            }
        ]

        # 請求體
        payload = {
            "model": self.model,
            "messages": messages,
            "temperature": 0.0 # 值越低，回答的效果越穩(wěn)定
        }

        # 發(fā)送post請求
        response = requests.post(self.api_url, headers=headers, json=payload)

        # 檢查返回狀態(tài)碼，如果不是 200 則報錯。
        if response.status_code != 200:
            raise Exception(f"DeepSeek API Error: {response.status_code}, {response.text}")

        # 解析返回結(jié)果
        result = response.json()
        return result["choices"][0]["message"]["content"]

    @property
    def type(self):
        return "deepseek-custom"

# Sample DataFrame
sales_by_country = pd.DataFrame({
    "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"],
    "sales": [5000, 3200, 2900, 4100, 2300, 2100, 2500, 2600, 4500, 7000]
})

# 用自定義的 DeepSeek LLM
llm = DeepSeekLLM(
    api_url = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions",
    api_key="sk-xxx", 
    model="deepseek-r1")

df = SmartDataframe(sales_by_country, config={"llm": llm})

result = df.chat('列出銷售額最高的3個國家。')

print(result)

from openai import OpenAI

client = OpenAI(
    # 使用大模型對應的Key
    api_key = "sk-xxx",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="deepseek-r1",  # 此處以 deepseek-r1 為例，可按需更換模型名稱。
    messages=[
        {'role': 'user', 'content': '想快速入門AI大模型，給我推薦一下具體的學習方案。'}
    ]
)

# 通過reasoning_content字段打印思考過程
print("思考過程：")
print(completion.choices[0].message.reasoning_content)

# 通過content字段打印最終答案
print("最終答案：")
print(completion.choices[0].message.content)

# 初始化模型
chat = ChatOpenAI(
    model_name="deepseek-r1",
    temperature=0,
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", #服務地址
    api_key="sk-xxx"  #API密鑰
)

# 發(fā)送請求
response = chat.invoke([HumanMessage(content="請用中文介紹你自己。")])

# 輸出結(jié)果
print(response.content)

from langchain_openai import ChatOpenAI

llm_client = ChatOpenAI(
    temperature=0.0,
    model_name="deepseek-r1",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-852da921b11545c99de697e584210fc7"
)

# 假設你的多標簽集合如下：
total_class = {"正面", "負面", "價格問題", "物流問題", "推薦", "外觀設計", "用戶體驗"}

# 系統(tǒng)提示詞
system_prompt = """你是一個多標簽分類助手，請從以下標簽中選出適用于文本的所有標簽（可以多選）：
正面, 負面, 價格問題, 物流問題, 推薦, 外觀設計, 用戶體驗

只輸出標簽，多個標簽之間用英文逗號分隔。如果無法判斷，則返回空字符串。
"""

def llm_labeling(texts: list[str]) -> list[list[str]]:
    """
    對輸入文本列表進行多標簽打標，返回每條文本對應的標簽列表。
    """
    results = []
    batch_inputs = [system_prompt + '\n' + t for t in texts] 
    res = llm_client.batch(batch_inputs)
    for item in res:
        content = item.content.strip()
        if not content:
            results.append([])
            continue
        # 解析逗號分隔標簽，清洗一下
        tags = [t.strip() for t in content.split(',')]
        # 只保留在 total_class 中的合法標簽
        tags = [t for t in tags if t in total_class]
        results.append(tags)
    return results

texts = [
    "這個產(chǎn)品非常好用，值得推薦",
    "物流速度太慢了，體驗不好",
    "外觀漂亮，使用方便，就是價格稍貴"
]

result = llm_labeling(texts)
for i, tags in enumerate(result):
    print(f"第{i+1}條: 標簽 = 
PandasAI
LLM
數(shù)據(jù)分析
")