import matplotlib.image as pltimg
import matplotlib.pyplot as plt
import os
import pandas
import pickle
import pydotplus
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
def make_decision(amount_of_seeds, collected_plants, fertilizer, fuel, tree, water_level): #zwraca decyzję o powrocie do stacji (0 : NIE, 1 : TAK)
    decision = tree.predict([[amount_of_seeds, collected_plants, fertilizer, fuel, water_level]]) #podejmij decyzję na podstawie aktualnych parametrów wózka o powrocie do stacji lub nie
    return decision
def treelearn(): #zwraca utworzone drzewo decyzyjne
    if os.path.exists("resources/decision_tree/tree.pkl"): #jeżeli drzewo jest zapisane w pliku to odczytaj
        dtree = pickle.load(open(os.path.join('resources/decision_tree', "tree.pkl"), "rb"))
    else: #w przeciwnym razie utwórz drzewo od początku i zapisz do pliku
        df = pandas.read_csv(os.path.join('resources/decision_tree', 'data.csv')) #czytanie danych do nauki drzewa z pliku .csv
        features = ['amount of seeds', 'collected plants', 'fertilizer', 'fuel', 'water level']
        x = df[features] #wczytanie atrybutów, z których ma się uczyć drzewo
        y = df['back to station'] #podjęte decyzje
        dtree = DecisionTreeClassifier() #klasyfikuje drzewo
        dtree = dtree.fit(x, y) #uczy drzewo
        pickle.dump(dtree, open(os.path.join('resources/decision_tree', "tree.pkl"), "wb"))
        data = tree.export_graphviz(dtree, out_file=None, feature_names=features)
        graph = pydotplus.graph_from_dot_data(data)
        graph.write_png(os.path.join('resources/decision_tree', 'mytree.png'))
        img = pltimg.imread(os.path.join('resources/decision_tree', 'mytree.png'))
        imgplot = plt.imshow(img)
        plt.show() #wyświetl drzewo decyzyjne
    return dtree