"""
Используя код из пункта «Решение задачи ранжирования признаков»,
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 важными по среднему значению?
(Названия\индексы признаков и будут ответом на задание)
"""

# 12 вариант
# Лассо (Lasso)
# Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
# Линейная корреляция (f_regression)



import numpy as np
from sklearn.linear_model import Lasso, LinearRegression
from sklearn.feature_selection import RFE
from sklearn.feature_selection import f_regression
from sklearn.preprocessing import MinMaxScaler



def main():
    X, Y = friedman_regression_problem(800)

    ''' Создание и обучение моделей '''

    # Лассо
    lasso_model = Lasso(alpha=.05)
    lasso_model.fit(X, Y)

    # Рекурсивное сокращение признаков
    lr = LinearRegression()
    lr.fit(X, Y)
    rfe_model = RFE(estimator=lr)
    rfe_model.fit(X, Y)

    # Линейная корреляция
    f, p_val = f_regression(X, Y)

    # список имён признаков
    names = ["x%s" % i for i in range(1, 16)]

    # словарь вызова функций моделей
    ranks = {}
    ranks["Lasso"] = rank_to_dict(lasso_model.coef_, names)
    ranks["RFE"] = rank_to_dict(rfe_model.ranking_, names)
    ranks["F_reg"] = rank_to_dict(f, names)

    # вывод признаков и оценок каждой модели
    print_sorted_model(ranks)

    # пустой список данных
    mean = {}

    # Формирование среднего по каждому признаку
    for key, value in ranks.items():
        for item in value.items():
            if item[0] not in mean: #если элемента с текущим ключём нет
                mean[item[0]] = 0 #добавляем
            mean[item[0]] += item[1] #суммируем значения по каждому ключу-имени признака

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

    # Сортировка и распечатка списка
    mean = sorted(mean.items(), key=lambda item: item[1], reverse=True)
    print("\033[92mСредния значения по каждому признаку:\033[00m")
    print(mean)



# Генерация набора данных по регрессионной проблеме Фридмана
def friedman_regression_problem(size):
    # генерируем исходные данные: 800 строк-наблюдений и 15 столбцов-признаков
    np.random.seed(0)
    X = np.random.uniform(0, 1, (size, 15))
    # Задание функции-выхода (регриссионную 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)
    # Добавление в зависимость признаков
    X[:,11:] = X[:,:4] + np.random.normal(0, .025, (size, 4))
    return X, Y


# Функция формирования словаря пар "имя_признака: оценка признака"
def rank_to_dict(ranks, names):
    ranks = np.abs(ranks) #получение абсолютных значений оценок
    r_array = np.array(ranks) #создание массива списка оценок
    r_array = r_array.reshape(15, 1) #переформирование строк и столбцов в массиве
    minmax = MinMaxScaler()  # экземпляр для нормализации данных
    ranks = minmax.fit_transform(r_array) #обучение и преобразование данных
    ranks = ranks.ravel() #преобразование двумерного массива в одномерный
    ranks = map(lambda x: round(x, 2), ranks) #округление каждого элемента массива до сотых
    return dict(zip(names, ranks))


# Функция вывода признаков моделей по убыванию значения оценки
def print_sorted_model(ranks):
    ranks_copy = dict(ranks)
    for key, value in ranks_copy.items():
        ranks_copy[key] = sorted(value.items(), key=lambda item: item[1], reverse=True)

    for key, value in ranks_copy.items():
        print("\033[92m---> {} <---\033[00m" .format(key))
        print(value)
        print()



if __name__ == "__main__":
    main()