import pandas
from sklearn.preprocessing import LabelEncoder
import torch
import numpy as np

def encoder(data):
    for col in data.columns:
        if data.dtypes[col] == "object":
            data[col].fillna('0', inplace=True)
            le = LabelEncoder()
            le.fit(data[col])
            data[col] = le.transform(data[col])
        else:
            data[col].fillna(0, inplace=True)

    return data


X_train = pandas.read_csv('train/train.tsv', error_bad_lines=False, sep='\t', header=0)
names = list(X_train)[1:]
X_train.drop('opis', axis=1, inplace=True)
y_train = X_train['cena']
X_train.drop('cena', axis=1, inplace=True)

X_train = encoder(X_train)


X_dev0 = pandas.read_csv('dev-0/in.tsv', sep='\t', header=None, names=names)
X_dev0.drop('opis', axis=1, inplace=True)
X_dev0 = encoder(X_dev0)
y_dev0 = pandas.read_csv('dev-0/expected.tsv', sep='\t', header=None)

X_testA = pandas.read_csv('test-A/in.tsv', sep='\t', header=None, names=names)
X_testA.drop('opis', axis=1, inplace=True)
X_testA = encoder(X_testA)

data_train = X_train[['Powierzchnia w m2', 'Liczba pokoi', 'Miejsce parkingowe', 'Liczba pięter w budynku']].values
data_train = np.hstack((data_train, np.ones((data_train.shape[0], 1), dtype=data_train.dtype)))


x = torch.tensor(data_train , dtype=torch.float)
y = torch.tensor(y_train, dtype=torch.float)
w = torch.tensor([0, 0, 0, 0, 0], dtype=torch.float, requires_grad=True)
learning_rate  = torch.tensor(0.00000001)

for _ in range(100000):
	y_predicted = x @ w
	cost = torch.sum((y_predicted - y) ** 2) / y.size()[0]
	#print(_, w, " => ", cost)
	cost.backward()
	with torch.no_grad():
		w = w - learning_rate * w.grad
		w.requires_grad_(True)
w.requires_grad_(False)



data_dev = X_dev0[['Powierzchnia w m2', 'Liczba pokoi', 'Miejsce parkingowe', 'Liczba pięter w budynku']].values
data_dev = np.hstack((data_dev, np.ones((data_dev.shape[0], 1), dtype=data_dev.dtype)))

x_dev = torch.tensor(data_dev, dtype=torch.float)


data_testA = X_testA[['Powierzchnia w m2', 'Liczba pokoi', 'Miejsce parkingowe', 'Liczba pięter w budynku']].values
data_testA = np.hstack((data_testA, np.ones((data_testA.shape[0], 1), dtype=data_testA.dtype)))
x_test = torch.tensor(data_testA , dtype=torch.float)

y_dev_pred = x_dev @ w
np.savetxt(f'./dev-0/out.tsv', y_dev_pred.numpy(), '%.0f')

y_test_pred = x_test @ w
np.savetxt(f'./test-A/out.tsv', y_test_pred.numpy(), '%.0f')