#!/usr/bin/env python
# -*- coding: utf-8 -*-

import numpy as np
import matplotlib.pyplot as plt

import matplotlib

matplotlib.style.use('ggplot')

plt.rcParams['figure.figsize'] = (10, 7)

import pandas as pd

from sklearn import linear_model
from sklearn.model_selection import train_test_split
from mpl_toolkits.mplot3d import Axes3D
from sklearn.metrics import mean_squared_error, r2_score

# funkcja, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*.
def wczytaj_dane():
    dane = pd.read_csv('mieszkania.csv',  # ścieżka  do pliku
                       sep=',',  # separator
                       index_col='Id')  # ustawienie indeksu na kolumnę Id
    return (dane)


def most_common_room_number(dane):
    return (dane['Rooms'].mode()[0])


def cheapest_flats(dane, n):
    return (dane.nsmallest(n, 'Expected'))


def find_borough(desc):
    dzielnice = ['Stare Miasto',
                 'Wilda',
                 'Jeżyce',
                 'Rataje',
                 'Piątkowo',
                 'Winogrady',
                 'Miłostowo',
                 'Dębiec']
    for i in dzielnice:
        if desc.find(i) + 1:
            return (i)
    return ('Inne')


def add_borough(dane):
    dane['Borough'] = dane['Location'].apply(find_borough)
    return (dane)


def write_plot(dane, filename):
    fig = plt.figure()
    dane.plot(kind='bar')
    plt.savefig(filename)
    plt.close(fig)


def mean_price(dane, room_number):
    return (dane.groupby(['Rooms']).mean()['Expected'][room_number])


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


def find_best_flats(dane, borough='Winogrady', rooms=3, floor=1):
    return (dane[(dane['Borough'] == borough) & (dane['Rooms'] == rooms) & (dane['Floor'] == floor)])


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

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

    print('Pięć najtańszych ofert sprzedaży mieszkań: \n{}'
          .format(cheapest_flats(dane, 5)))

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

    # dane['Borough'] = dane['Location'].apply(find_borough)

    dane = add_borough(dane)

    write_plot(dane.groupby(['Borough']).count()['Expected'], 'filename')

    print('Dzielnice, które zawierają ofertę mieszkanie na 13 piętrze to: {}.'.format(', '.join(find_13(dane))))

    print('Średnia cena mieszkania {0}-pokojowego z ofert sprzedaży mieszkań wynosi: {1:.0f} zł.'
          .format(3, mean_price(dane, 3)))

    # print(find_best_flats(dane))



    # Dzielimy dane na dwie części - jedną do uczenia 80% oraz drugą do testowania 20%

    dane_X = dane[['SqrMeters', 'Rooms']]
    dane_Y = dane[['Expected']]
    dane_X_train, dane_X_test, dane_Y_train, dane_Y_test = train_test_split(dane_X,
                                                                            dane_Y,
                                                                            test_size=0.2,
                                                                            random_state=2)

    # Tworzymy model regresji wielorakiej, zmienną wyjaśnianą będzie cena
    # mieszkania, zmiennymi wyjaśniającymi będą: wielkość mieszkania i liczba
    # pokoi

    regr = linear_model.LinearRegression()

    # Uczymy model korzystając ze zbioru uczącego
    regr.fit(dane_X_train, dane_Y_train)

    # Współczynniki modelu
    print('Współczynniki: {0:.4f} (SqrMeters) {1:.4f} (Rooms)'.format(regr.coef_[0,0],
                                      regr.coef_[0,1]))
    # Dokonujemy predykcji korzystając ze zbioru testującego
    dane_Y_pred = regr.predict(dane_X_test)

    # Test
    print('Dopasowanie modelu: {:.4f}'.format(regr.score(dane_X_test, dane_Y_test)))


    # Błąd średniokwadratowy
    print('Błąd średniokwadratowy: {:.4f}'.format(mean_squared_error(dane_Y_test, dane_Y_pred)))

    # Explained variance score: 1 is perfect prediction
    print('Variance score: {:.4f}'.format(r2_score(dane_Y_test, dane_Y_pred)))



if __name__ == "__main__":
    main()