from flask import Flask, request, render_template
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import make_pipeline

# Создание экземпляра Flask
app = Flask(__name__)

# Загрузка данных из файла
data = pd.read_csv("student-mat.csv")

# Подготовка данных
X = data[["Pstatus", "guardian", "internet", "romantic", "famrel", "freetime", "goout", "Dalc", "Walc", "health", "absences"]]
y = data["G3"]

# Преобразование категориальных признаков в числовые
label_encoders = {}

for column in ["Pstatus", "guardian", "internet", "romantic"]:
    label_encoder = LabelEncoder()
    X[column] = label_encoder.fit_transform(X[column])
    label_encoders[column] = label_encoder

# Разделение данных 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)

# Преобразование данных
preprocessor = ColumnTransformer(
    transformers=[('num', StandardScaler(), X.columns)],
    remainder='passthrough'
)

# Создание модели MLPClassifier
mlp_classifier = MLPClassifier(
    hidden_layer_sizes=(100, 50),  # Увеличим количество нейронов и слоев
    max_iter=1000,
    random_state=42
)

# Создание конвейера для обработки данных и обучения модели
model = make_pipeline(preprocessor, mlp_classifier)

# Обучение модели
model.fit(X_train, y_train)

# Маршрут для отображения HTML-формы
@app.route('/', methods=['GET'])
def index():
    return render_template('index.html')

# Маршрут для предсказания оценки
@app.route('/predict', methods=['POST'])
def predict():
    data = request.form.to_dict()

    # Подготовка данных для предсказания
    input_data = [data.get(feature, 0) for feature in X.columns]

    # Преобразование категориальных признаков в числовые с использованием сохраненных LabelEncoder
    for column, label_encoder in label_encoders.items():
        input_data[X.columns.get_loc(column)] = label_encoder.transform([input_data[X.columns.get_loc(column)]])

    # Преобразование в DataFrame
    input_df = pd.DataFrame([input_data], columns=X.columns)

    # Дополним признаки, если какие-то из них отсутствуют в данных
    missing_features = set(X.columns) - set(input_df.columns)
    for feature in missing_features:
        input_df[feature] = 0

    # Сортировка столбцов в том же порядке, что и при обучении модели
    input_df = input_df[X.columns]

    # Предсказание с использованием обученной модели
    prediction = model.predict(input_df)[0]
    return f"Предсказанная оценка: {prediction}"

if __name__ == '__main__':
    app.run(port=5000)