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

# # 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)