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

# Генерация исходных данных
np.random.seed(0)
size = 750
X = np.random.uniform(0, 1, (size, 14))
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))
X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))

# Лассо
lasso = Lasso(alpha=0.05)
lasso.fit(X, Y)

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

# Линейная корреляция (f_regression)
correlation_coeffs, _ = f_regression(X, Y)

# Ранжирование с использованием MinMaxScaler
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))

# Ранжирование для каждой модели
ranks = {}
names = ["x%s" % i for i in range(1, 15)]

ranks["Lasso"] = rank_to_dict(lasso.coef_, names)
ranks["Random Forest"] = rank_to_dict(rf.feature_importances_, names)
ranks["Correlation"] = rank_to_dict(correlation_coeffs, names)

# Создание пустого словаря для данных
mean = {}

# Обработка словаря ranks
for key, value in ranks.items():
    for item in value.items():
        if item[0] not in mean:
            mean[item[0]] = 0
        mean[item[0]] += item[1]

# Нахождение среднего по каждому признаку
for key, value in mean.items():
    res = value / len(ranks)
    mean[key] = round(res, 2)

# Сортировка и вывод списка средних значений
mean_dict = dict(mean)
print("MEAN")
print(mean_dict)

# Вывод результатов ранжирования для каждой модели
for key, value in ranks.items():
    print(key)
    print(value)

# Вывод топ-4 признаков с их значениями
top_features = sorted(mean.items(), key=lambda x: x[1], reverse=True)[:4]
print("Top 4 features with values:")
for feature, value in top_features:
    print(f"{feature}: {value}")