import graphviz
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz

# def make_tree():
#     plikZPrzecinkami = open("training_data.txt", 'w')

#     with open('DecisionTree/200permutations_table.txt', 'r') as plik:
#         for linia in plik:
#             liczby = linia.strip()
#             wiersz = ""
#             licznik = 0
#             for liczba in liczby:
#                 wiersz += liczba
#                 wiersz += ";"
#             wiersz = wiersz[:-1]
#             wiersz += '\n'
#             plikZPrzecinkami.write(wiersz)

#     plikZPrzecinkami.close()

#     x = pd.read_csv('DecisionTree/training_data.txt', delimiter=';',
#                     names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
#     y = pd.read_csv('DecisionTree/decisions.txt', names=['polka'])
#     # X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)  # 70% treningowe and 30% testowe

#     # Tworzenie instancji klasyfikatora ID3
#     clf = DecisionTreeClassifier(criterion='entropy')

#     # Trenowanie klasyfikatora
#     clf.fit(x.values, y.values)
#     # clf.fit(X_train, y_train)
#     return clf

plikZPrzecinkami = open("training_data.txt", 'w')

with open('200permutations_table.txt', 'r') as plik:
    for linia in plik:
        liczby = linia.strip()
        wiersz = ""
        licznik = 0
        for liczba in liczby:
            wiersz += liczba
            wiersz += ";"
        wiersz = wiersz[:-1]
        wiersz += '\n'
        plikZPrzecinkami.write(wiersz)

plikZPrzecinkami.close()

x = pd.read_csv('training_data.txt', delimiter=';',
                names=['wielkosc', 'waga,', 'priorytet', 'ksztalt', 'kruchosc', 'dolna', 'gorna', 'g > d'])
y = pd.read_csv('decisions.txt', names=['polka'])
# X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)  # 70% treningowe and 30% testowe

# Tworzenie instancji klasyfikatora ID3
clf = DecisionTreeClassifier(criterion='entropy')

# Trenowanie klasyfikatora
clf.fit(x.values, y.values)
# clf.fit(X_train, y_train)


# Predykcja na nowych danych
new_data = [[2, 2, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0]]
predictions = clf.predict(new_data)
# y_pred = clf.predict(X_test)


print(predictions)
# print("Accuracy:", clf.score(new_data, predictions))
# print("Accuracy:", metrics.accuracy_score(y_test, y_pred))


# Wygenerowanie pliku .dot reprezentującego drzewo
dot_data = export_graphviz(clf, out_file=None, feature_names=list(x.columns), class_names=['0', '1'], filled=True,
                           rounded=True)

# Tworzenie obiektu graphviz z pliku .dot
graph = graphviz.Source(dot_data)

# Wyświetlanie drzewa
graph.view()

z = pd.concat([x, y], axis=1)
z.to_csv('dane.csv', index=False)