#!/usr/bin/env python
# -*- coding: utf-8 -*-
import pandas as pd

def wczytaj_dane():
    dane = pd.read_csv('C:/Users/aga/Desktop/python2017/labs06/mieszkania.csv', sep = ",", index_col='Id') #indeksowanie po Id (od 1)
    return pd.DataFrame(dane).head() #dla .head() - domyslnie 5 pierwszch
    #print(dane)
wczytaj_dane()

def d(dane):          ##sprawdzam typ
    if isinstance(dane, pd.DataFrame):
        print("si")
#d(dane)

def most_common_room_number(dane):
    pokoje = dane['Rooms'].value_counts().head()
    print(pokoje)
#most_common_room_number(dane)

#n = 3
def cheapest_flats(dane, n): #zwroc n najtanszych
    najtansze = dane.sort_values(by = ['Expected'], ascending=True)
    return dane.head(n)
cheapest_flats(dane, n)

def find_borough(desc):
    dzielnice = ['Stare Miasto',
                 'Wilda',
                 'Jeżyce',
                 'Rataje',
                 'Piątkowo',
                 'Winogrady',
                 'Miłostowo',
                 'Dębiec']
    for i in dzielnice:
        if i in desc:
            return i
        else:
            return('Inne')

def add_borough(dane): #do pliku, wykres z liczba ogloszen z podzialem na dzielnice
    dane['Borough'] = dane['Location'].apply(find_borough)
    return dane
#add_borough(dane)

#filename = 'filename.png'
import matplotlib.pyplot as plt
def write_plot(dane, filename): #do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice
    kontent = dane['Borough'].value_counts()
    kontent.plot(kind = 'bar')
    wykres = kontent.get_figure()
    wykres.savefig(filename)

#write_plot(dane, filename)
#room_number = 2
def mean_price(dane, room_number): #srednia cena mieszkania n-pokojowego
    room_number = dane['Rooms']
    srednia = room_number[dane['Expected']].mean()
    return srednia
mean_price(dane, room_number)

def find_13(dane):
    pietro13 = dane[dane['Floor'] == 13]['Borough']
    return pietro13
find_13(dane)

def find_best_flats(dane): #wszystkie: Winogrady+3pokoje+1pietro
    najlepsze = dane[(dane['Floor'] == 1) & dane(['Borough' == "Winogrady"]) & (dane['Rooms']==3)]
    return najlepsze

#find_best_flats(dane)

def main():
    dane = wczytaj_dane()
    print(dane[:5])

    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
          .format(most_common_room_number(dane)))

    print("{} to najłądniejsza dzielnica w Poznaniu."
          .format(find_borough("Grunwald i Jeżyce"))))

    print("Średnia cena dane 3-pokojowego, to: {}"
          .format(mean_price(dane, 3)))

if __name__ == "__main__":
    main()