from sklearn.linear_model import Ridge
from sklearn.feature_selection import f_regression
from sklearn.ensemble import RandomForestRegressor
from sklearn.preprocessing import MinMaxScaler
import numpy as np

# Вариант 6
# Используя код из источника (пункт «Решение задачи ранжирования признаков»,
# стр. 205), выполните ранжирование признаков с помощью указанных по
# варианту моделей. Отобразите получившиеся значения\оценки каждого
# признака каждым методом\моделью и среднюю оценку. Проведите анализ
# получившихся результатов. Какие четыре признака оказались самыми
# 45
# важными по среднему значению? (Названия\индексы признаков и будут
# ответом на задание).

# Гребневая регрессия (Ridge)
# Сокращение признаков Случайными деревьями (Random Forest Regressor)
# Линейная корреляция (f_regression)

# генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков
np.random.seed(0)
size = 750
X = np.random.uniform(0, 1, (size, 14))
# Задаем функцию-выход: регрессионную проблему Фридмана
Y = (10 * np.sin(np.pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - .5) ** 2 +
    10 * X[:, 3] + 5 * X[:, 4] ** 5 + np.random.normal(0, 1))
# Добавляем зависимость признаков
X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))

# 1. Гребневая регрессия

ridge = Ridge(alpha=7)
ridge.fit(X, Y)

# 2. Случайные деревья
randomforest = RandomForestRegressor(n_estimators=100, random_state=0)
randomforest.fit(X, Y)

# 3. Линейная корреляция
linear_corellation = f_regression(X, Y, center = True)[0]

# Создание списка с именами признаков
names = ["x%s" % i for i in range(1, 15)]
# Создается пустой словарь для хранения рангов признаков
ranks = {}


def rank_to_dict(ranks, names):
    ranks = np.abs(ranks)
    minmax = MinMaxScaler()
    ranks = minmax.fit_transform(np.array(ranks).reshape(14,1)).ravel()
    ranks = map(lambda x: round(x, 2), ranks)
    return dict(zip(names, ranks))

ranks["Ridge"] = rank_to_dict(ridge.coef_, names)
ranks["Random Forest"] = rank_to_dict(randomforest.feature_importances_, names)
ranks["Linear Correlation"] = rank_to_dict(linear_corellation, names)

#Создаем пустой список для данных
mean = {}
#«Бежим» по списку ranks
for key, value in ranks.items():
    #«Пробегаемся» по списку значений ranks, которые являются парой имя:оценка
    for item in value.items():
    #имя будет ключом для нашего mean
    #если элемента с текущим ключем в mean нет - добавляем
        if(item[0] not in mean):
            mean[item[0]] = 0
            #суммируем значения по каждому ключу-имени признака
            mean[item[0]] += item[1]

#находим среднее по каждому признаку
for key, value in ranks.items():
    ranks[key] = sorted(value.items(), key=lambda x: x[1], reverse=True)
for key, value in ranks.items():
    print(key)
    print(value)

sorted_mean = sorted(mean.items(), key=lambda x: x[1], reverse=True)
result = {}
for item in sorted_mean:
    result[item[0]] = item[1]
    print(f'{item[0]}: {item[1]}')