# ==============================================================================
# CONFIGURACIÓN DEL ENTORNO E IMPORTACIÓN DE LIBRERÍAS
# ==============================================================================
# Si necesitas instalar los paquetes previos, ejecuta en tu terminal:
# pip install pandas numpy matplotlib seaborn scipy

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.stats as stats

# Configuración visual global para los gráficos
sns.set_theme(style="whitegrid")
plt.rcParams['figure.figsize'] = (10, 6)
plt.rcParams['axes.titlesize'] = 14
plt.rcParams['axes.labelsize'] = 12

# URL del repositorio con los datos crudos
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"

# Definición de las variables clínicas y objetivo
column_names = [
    'pregnant',  # Número de embarazos
    'glucose',   # Concentración de glucosa plasmática a las 2 horas 
    'pressure',  # Presión arterial diastólica (mm Hg)
    'triceps',   # Grosor del pliegue cutáneo del tríceps (mm)
    'insulin',   # Insulina sérica de 2 horas (mu U/ml)
    'mass',      # Índice de masa corporal (peso en kg / (altura en m)^2)
    'pedigree',  # Función de pedigrí de diabetes (historial familiar)
    'age',       # Edad (años)
    'diabetes'   # Variable objetivo (0 = No presenta, 1 = Presenta)
]

# Cargar los datos en un DataFrame de pandas
pima = pd.read_csv(url, names=column_names)

# Transformación de la variable objetivo a tipo categórico descriptivo ('neg', 'pos')
pima['diabetes'] = pima['diabetes'].map({0: 'neg', 1: 'pos'}).astype('category')

print("Dataset estructurado e inicializado correctamente.")

print("=== VISTA PREVIA DE LOS PRIMEROS REGISTROS ===")
display(pima.head())

print("\n=== ESPECIFICACIONES TÉCNICAS DEL DATAFRAME ===")
pima.info()

# Resumen descriptivo de los atributos numéricos y categóricos
pima.describe(include='all')

# 1. Reemplazo de ceros inválidos por NaN
invalid_zero_cols = ['glucose', 'pressure', 'triceps', 'insulin', 'mass']
for col in invalid_zero_cols:
    pima[col] = pima[col].replace(0, np.nan)

# 2. Cuantificación de la ausencia de datos
print("=== VALORES NULOS DETECTADOS POR COLUMNA ===")
print(pima.isnull().sum())

# 3. Mapeo visual de la estructura de valores faltantes
plt.figure(figsize=(10, 5))
sns.heatmap(pima.isnull(), cbar=False, cmap='viridis')
plt.title('Distribución Espacial de Valores Faltantes (NaN) en el Dataset')
plt.xlabel('Variables')
plt.ylabel('Registros (Índices)')
plt.show()

# 4. Imputación robusta utilizando la mediana (evita la distorsión por valores extremos)
for col in invalid_zero_cols:
    median_value = pima[col].median()
    pima[col] = pima[col].fillna(median_value)

print("\nProceso de limpieza completado: Valores nulos imputados mediante la mediana.")

plt.figure(figsize=(6, 4))

# Corrección aplicada: se asigna x a hue y se desactiva la leyenda implícita
sns.countplot(data=pima, x='diabetes', hue='diabetes', palette='Set2', legend=False)

plt.title("Proporción y Balance de Clases de la Variable Objetivo")
plt.xlabel("Diagnóstico Clínico")
plt.ylabel("Frecuencia Absoluta")

# Cálculo exacto de las proporciones en el dataset
counts = pima['diabetes'].value_counts()
percentages = pima['diabetes'].value_counts(normalize=True) * 100
for idx, (cnt, pct) in enumerate(zip(counts, percentages)):
    print(f"Clase '{counts.index[idx]}': {cnt} registros ({pct:.2f}%)")

plt.show()

# Selección de variables clínicas de alto impacto predictivo
key_features = ['glucose', 'mass', 'age']
colors = ['Pastel1', 'Pastel2', 'Set3']

fig, axes = plt.subplots(1, 3, figsize=(18, 5))

for i, var in enumerate(key_features):
    # Corrección aplicada: se especifica hue='diabetes' y legend=False para silenciar los FutureWarnings
    sns.boxplot(data=pima, x='diabetes', y=var, hue='diabetes', ax=axes[i], palette=colors[i], legend=False)
    
    axes[i].set_title(f'Distribución de {var.capitalize()} por Diagnóstico')
    axes[i].set_xlabel('Resultado (Diabetes)')
    axes[i].set_ylabel(var)

plt.tight_layout()
plt.show()

numeric_cols = pima.select_dtypes(include=[np.number]).columns

for col in numeric_cols:
    stat, p_value = stats.shapiro(pima[col])
    decision = "No Normal (Rechaza H0)" if p_value < 0.05 else "Normal (No rechaza H0)"
    print(f"Variable: {col:10} | Estadística W: {stat:.4f} | p-value: {p_value:.5f} -> {decision}")

fig, axes = plt.subplots(1, 2, figsize=(16, 6))

# 1. Histograma empírico acoplado con Estimación de Densidad Kernel (KDE)
sns.histplot(pima['glucose'], kde=True, ax=axes[0], color='skyblue', stat="density")
axes[0].set_title('Histograma y Curva de Densidad para Glucosa')
axes[0].set_xlabel('Glucosa (mg/dL)')
axes[0].set_ylabel('Densidad Probabilística')

# 2. Gráfico Cuantil-Cuantil (Q-Q Plot) contra una distribución teórica normal
stats.probplot(pima['glucose'], dist="norm", plot=axes[1])
# Ajustes estéticos para identificar la tendencia lineal
axes[1].get_lines()[0].set_markerfacecolor('gray')
axes[1].get_lines()[0].set_markeredgecolor('gray')
axes[1].get_lines()[1].set_color('red') 
axes[1].set_title('Gráfico de Probabilidad Cuantil-Cuantil (Q-Q) para Glucosa')

plt.tight_layout()
plt.show()