# app.py

from flask import Flask, render_template, request
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import LabelEncoder

app = Flask(__name__)

# Загрузите данные из файла
restaurants_data = pd.read_csv("top_240_restaurants_recommended_in_los_angeles_2.csv")

# Создайте целевую переменную (успех ресторана)
restaurants_data["Success"] = restaurants_data["StarRating"].apply(lambda x: 1 if x > 4 else 0)

# Преобразуйте столбец "Style" в бинарные признаки (one-hot encoding)
styles_encoded = restaurants_data['Style'].str.get_dummies(sep=';')
restaurants_data = pd.concat([restaurants_data, styles_encoded], axis=1)

# Преобразуйте столбец "Address" с использованием Label Encoding
address_encoder = LabelEncoder()
restaurants_data["AddressEncoded"] = address_encoder.fit_transform(restaurants_data["Address"])

# Определите признаки и целевую переменную
features = ["NumberOfReviews", "AddressEncoded"] + list(styles_encoded.columns)
X = restaurants_data[features]
y = restaurants_data["Success"]

# Разделите данные на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=42)

# Создайте и обучите модель дерева решений
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# Оцените модель на тестовом наборе данных
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

# Получите важности признаков
feature_importances = model.feature_importances_

@app.route("/", methods=["GET", "POST"])
def index():
    if request.method == "POST":
        # Получите данные из запроса
        reviews = int(request.form["reviews"])
        styles_input = request.form["styles"]
        address = request.form["address"]

        # Получите бинарные признаки стилей на основе введенных данных
        styles_encoded_input = pd.DataFrame(styles_input.split(';'), columns=["style"])
        styles_encoded_input = styles_encoded_input['style'].str.get_dummies()

        # Преобразуйте введенный адрес с использованием Label Encoding
        address_encoded = address_encoder.transform([address])[0]

        # Создайте пустой DataFrame с теми же признаками, что и X_train
        input_data = pd.DataFrame(columns=X_train.columns)

        # Заполните введенные данные
        input_data["NumberOfReviews"] = [reviews]
        input_data["AddressEncoded"] = [address_encoded]

        # Заполните one-hot закодированные стили
        for style in styles_encoded_input.columns:
            input_data[style] = styles_encoded_input[style].values

        # Выполните классификацию ресторана
        prediction = model.predict(input_data)[0]

        # Определите результат
        result = "Хороший" if prediction == 1 else "Плохой"

        return render_template("index.html", accuracy=accuracy, good_count=sum(y_test),
                               bad_count=len(y_test) - sum(y_test), feature_importances=feature_importances,
                               prediction_result=result, X=X)

    return render_template("index.html", accuracy=accuracy, good_count=sum(y_test), bad_count=len(y_test) - sum(y_test),
                           feature_importances=feature_importances, X=X)

if __name__ == "__main__":
    app.run(host="localhost", port=5000)