import pandas as pd
import streamlit as st
import statsmodels.api as sm
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
import numpy as np

data = pd.read_csv('222.csv')

genre_mapping = {genre: code for code, genre in enumerate(data['Жанр'].unique())}
subgenre_mapping = {subgenre: code for code, subgenre in enumerate(data['Поджанр'].unique())}
price_mapping = {price: code for code, price in enumerate(data['Категория стоимости'].unique())}

# Преобразование категориальных значений
data['Жанр'] = data['Жанр'].map(genre_mapping)
data['Поджанр'] = data['Поджанр'].map(subgenre_mapping)
data['Категория стоимости'] = data['Категория стоимости'].map(price_mapping)

columns_to_check = ['Размер', 'Жанр', 'Поджанр', 'Категория стоимости']
data = data.dropna(subset=columns_to_check)

# Разделение данных на признаки (X) и целевую переменную (y)
X = data[['Жанр', 'Категория стоимости']]
y = data['Поджанр']

# Разделение на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Нормализация данных
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Инициализация MLPClassifier
clf = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=500, alpha=0.1, solver='adam', random_state=42)

# Обучение модели
clf.fit(X_train, y_train)

# Предсказание на тестовом наборе
predictions = clf.predict(X_test)

# Оценка точности модели
accuracy = accuracy_score(y_test, predictions)
st.write(f"Точность модели: {accuracy}")

on_pred = st.toggle('')
if on_pred:
    selected_genre = st.selectbox('Выберите жанр:', genre_mapping)
    selected_price = st.selectbox('Выберите категорию стоимости:', price_mapping)

    new_data = pd.DataFrame({'Жанр': [selected_genre], 'Категория стоимости': [selected_price]}, index=[0])

    new_data['Жанр'] = new_data['Жанр'].map(genre_mapping)
    new_data['Категория стоимости'] = new_data['Категория стоимости'].map(price_mapping)

    new_data_normalized = scaler.transform(new_data.values)
    new_predictions = clf.predict(new_data_normalized)

    # Создание обратного словаря для обратного маппинга числовых кодов поджанров в текстовые метки
    reverse_subgenre_mapping = {code: subgenre for subgenre, code in subgenre_mapping.items()}

    # Преобразование числовых предсказаний обратно в текстовые метки поджанров
    predicted_subgenres = [reverse_subgenre_mapping[code] for code in new_predictions]

    # Вывод предсказанных поджанров для новых данных
    st.write("Предсказанный поджанр:")
    for subgenre in predicted_subgenres:
        if isinstance(subgenre, float) and np.isnan(subgenre):
            st.write("Не удалось предсказать, мало данных по данному жанру")
        else:
            st.write(subgenre)