#!/usr/bin/env python
# -*- coding: utf-8 -*-

import pandas as pd
from matplotlib import pyplot as plt
import sklearn as skl
from sklearn.linear_model import LinearRegression
import numpy as np
from sklearn.metrics import mean_squared_error

def wczytaj_dane():
    r = pd.read_csv("mieszkania.csv")
    dane = pd.DataFrame(r, columns = ['Id', 'Expected', 'Rooms', 'SqrMeters', 'Floor', 'Location', 'Description'])
    return dane

def most_common_room_number(dane):
    k = dane.Rooms[dane.Rooms.value_counts().max()]
    return k

def cheapest_flats(dane, n):
    o = dane.sort_values(by ='Expected').head(n)
    return o

def find_borough(desc):
    dzielnice = ['Stare Miasto',
                 'Wilda',
                 'Jeżyce',
                 'Rataje',
                 'Piątkowo',
                 'Winogrady',
                 'Miłostowo',
                 'Dębiec']

    lista = desc.split()
    for i in lista:
        if i == "Stare": ## do poprawienia
            return "Stare Miasto"

        else:
            for l in dzielnice:
                if i == l:
                    return l
    else:
        return "Inne"



def add_borough(dane):
    miasta = []

    for i in dane['Location']:
        miasta.append(find_borough(i))

    dane['Borough'] = miasta

    return dane

def write_plot(dane, filename):
    wykres = dane.Borough.value_counts().plot.bar(figsize = (14,14))
    wykres.set_title('Liczba ogłoszeń mieszkań z podziałem na dzielnice')
    wykres.set_xlabel('Dzielnice')
    wykres.set_ylabel('Liczba')
    fig = wykres.get_figure()
    fig.savefig(filename + '.png')


def mean_price(dane, room_number):
    srednia = dane.Expected[dane.Rooms == room_number].mean()
    return round(srednia)

def find_13(dane):
    mieszkania = dane[dane.Floor == 13].Borough.values
    return mieszkania

def find_best_flats(dane):
    best = dane[(dane.Borough == 'Winogrady') & (dane.Floor == 1) & (dane.Rooms == 3)]
    return best

def main():
    dane = wczytaj_dane()
    print(dane[:5])
    print('-' * 100)
    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
          .format(most_common_room_number(dane)))
    n = int(input('Podaj liczbę najtańszych ofert, które mamy wyświetlić -->'))
    print ('Dane', n, 'najtańszych ofert:\n', cheapest_flats(dane, n))
    print('-' * 100)
    add_borough(dane)
    filename = 'wykres'
    write_plot(dane, filename)
    print('Zapisano wykres w pliku')
    print('-' * 100)
    print("{} to najładniejsza dzielnica w Poznaniu.".format(find_borough("Grunwald i Jeżyce")))
    print('-' * 100)
    print('Lista dzielnic, które zawierają ofertę mieszkań na 13 piętrze:')
    print(find_13(dane))
    print('-' * 100)
    print('Ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze:')
    print(find_best_flats(dane))
    print('-' * 100)
    print("Średnia cena mieszkania 3-pokojowego, to: {}"
          .format(mean_price(dane, 3)))

    #REGRESJA LINIOWA

    print('Budowanie modelu regresji liniowej...')

    train = pd.DataFrame(dane[:-1000])
    dev = pd.DataFrame(dane[-1000:])

    X_train = pd.DataFrame(train, columns=['Rooms','SqrMeters'])
    y_train = pd.DataFrame(train, columns=['Expected'])
    lm = LinearRegression()
    lm.fit(X_train, y_train)
    lm.predict(X_train)

    X_dev = pd.DataFrame(dev, columns=['Rooms','SqrMeters'])
    predicted = lm.predict(X_dev)

    rmse = np.sqrt(mean_squared_error(predicted, dev.Expected))
    print("RMSE:", round(rmse,2))




if __name__ == "__main__":
    main()