from flask import Flask, render_template
import pandas as pd
from scipy.cluster.hierarchy import linkage, dendrogram
import seaborn as sns
import io
import base64
import matplotlib.pyplot as plt
import numpy as np

app = Flask(__name__)

# Загрузка данных из файла bgg_dataset.csv
data = pd.read_csv("bgg_dataset.csv", delimiter=";")

# Обработка данных: преобразование строк в числа и замена ',' на '.'
data['Rating Average'] = data['Rating Average'].str.replace(',', '.').astype(float)
data['Complexity Average'] = data['Complexity Average'].str.replace(',', '.').astype(float)
data['Year Published'] = pd.to_numeric(data['Year Published'], errors='coerce')  # Если есть строки, которые не являются числами, они будут заменены на NaN

# Замена пропущенных значений средними значениями по столбцам
features = data[['Year Published', 'Users Rated', 'Rating Average', 'BGG Rank', 'Owned Users', 'Complexity Average']]
features = features.fillna(features.mean())

# Проверка наличия бесконечных значений
if not features.applymap(np.isfinite).all().all():
    raise ValueError("Data contains infinite values")

# Вычисление матрицы расстояний и построение кластеров с использованием модели linkage
linkage_matrix = linkage(features, method='ward')

@app.route('/')
def index():
    # Создание изображения кластеризации
    sns.set(style='white')
    g = sns.clustermap(features, row_linkage=linkage_matrix, col_cluster=False, figsize=(18, 12))

    # Сохранение изображения в буфер
    img_buffer = io.BytesIO()
    g.savefig(img_buffer, format='png')
    img_buffer.seek(0)

    # Преобразование изображения в base64 строку
    img_base64 = base64.b64encode(img_buffer.read()).decode()

    # Освобождение ресурсов
    plt.close(g.fig)

    return render_template('index.html', cluster_image=img_base64)

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