# --- Cargar librerías ---
library(tidyverse)
library(ggsankey)
library(ggplot2)

# --- Leer datos ---
datos <- read.csv("D:/d.csv", header = TRUE, stringsAsFactors = FALSE)

# --- Limpiar y preparar datos ---
datos_limpios <- datos %>%
  mutate(
    Area = case_when(
      !is.na(Tipo.1) & Tipo.1 != "" & Tipo.1 != Tipo ~ Tipo.1,
      TRUE ~ Tipo
    ),
    Clases = str_trim(Clases),
    Orden = str_trim(Orden),
    Area = str_trim(Area),
    Orden_completo = ifelse(Orden == "" | is.na(Orden), Clases, Orden)
  ) %>%
  filter(Area != "" & !is.na(Area))

# --- Identificar los 10 órdenes con más publicaciones ---
top_10_ordenes <- datos_limpios %>%
  count(Orden_completo, sort = TRUE) %>%
  head(10) %>%
  pull(Orden_completo)

print("Top 10 órdenes con más publicaciones:")
print(top_10_ordenes)

# --- Filtrar datos para incluir solo los top 10 órdenes ---
datos_filtrados <- datos_limpios %>%
  filter(Orden_completo %in% top_10_ordenes)

print(paste("Publicaciones totales:", nrow(datos_limpios)))
print(paste("Publicaciones en top 10 órdenes:", nrow(datos_filtrados)))
print(paste("Porcentaje representado:", round(nrow(datos_filtrados)/nrow(datos_limpios)*100, 1), "%"))

# --- Calcular frecuencias y ordenar para mejor visualización ---
# Ordenar por frecuencia (de mayor a menor)
orden_frecuencia <- datos_filtrados %>%
  group_by(Orden_completo) %>%
  summarise(total = n(), .groups = "drop") %>%
  arrange(desc(total)) %>%
  pull(Orden_completo)

# Áreas también ordenadas por frecuencia
area_frecuencia <- datos_filtrados %>%
  group_by(Area) %>%
  summarise(total = n(), .groups = "drop") %>%
  arrange(desc(total)) %>%
  pull(Area)

# --- Crear datos para Sankey ---
datos_expandidos <- datos_filtrados %>%
  select(Orden_completo, Area)

# Convertir a formato Sankey
sankey_data <- datos_expandidos %>%
  make_long(Orden_completo, Area)

# Asegurar el orden de los nodos
sankey_data <- sankey_data %>%
  mutate(
    node = factor(node, levels = c(orden_frecuencia, area_frecuencia))
  )

# --- Crear el gráfico Sankey (solo top 10) ---
grafico_top10 <- ggplot(sankey_data, 
                        aes(x = x, 
                            next_x = next_x, 
                            node = node, 
                            next_node = next_node,
                            fill = node,
                            label = node)) +
  geom_sankey(
    flow.alpha = 0.7,
    node.color = "gray30",
    width = 0.15,
    space = 35
  ) +
  geom_sankey_label(
    size = 3.8,
    color = "black",
    fill = "white",
    alpha = 0.9,
    fontface = "bold"
  ) +
  scale_fill_viridis_d(
    option = "plasma",
    guide = guide_legend(title = "Categoría", ncol = 2)
  ) +
  theme_sankey(base_size = 13) +
  labs(
    title = "Relación entre Órdenes Taxonómicos y Áreas de Estudio",
    subtitle = paste("Top 10 órdenes con más publicaciones (Total:", nrow(datos_filtrados), 
                     "trabajos -", round(nrow(datos_filtrados)/nrow(datos_limpios)*100, 1), 
                     "% del total)"),
    x = NULL,
    y = NULL,
    fill = "Categoría",
    caption = paste("Otros órdenes no mostrados:", nrow(datos_limpios) - nrow(datos_filtrados), "publicaciones")
  ) +
  theme(
    legend.position = "right",
    plot.title = element_text(hjust = 0.5, face = "bold", size = 14, color = "darkblue"),
    plot.subtitle = element_text(hjust = 0.5, size = 11, color = "gray40"),
    plot.caption = element_text(hjust = 0.5, size = 9, color = "gray50"),
    axis.text.x = element_text(face = "bold", size = 12, color = "darkblue"),
    axis.text.y = element_blank(),
    axis.ticks = element_blank(),
    panel.background = element_rect(fill = "white", color = NA),
    plot.background = element_rect(fill = "white", color = NA),
    plot.margin = margin(20, 20, 20, 20)
  )

# Mostrar el gráfico
print(grafico_top10)

# --- Guardar ---
ggsave("D:/sankey_top10_ordenes.png", 
       plot = grafico_top10, 
       width = 14, 
       height = 10, 
       dpi = 300,
       bg = "white")

print("¡Gráfico de top 10 órdenes guardado en D:/sankey_top10_ordenes.png!")

# --- Opcional: También guardar un resumen de los datos filtrados ---
resumen_top10 <- datos_filtrados %>%
  count(Orden_completo, Area, sort = TRUE) %>%
  pivot_wider(names_from = Area, values_from = n, values_fill = 0)

write.csv(resumen_top10, "D:/resumen_top10_ordenes.csv", row.names = FALSE)
print("Resumen de datos guardado en D:/resumen_top10_ordenes.csv")
