import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import mean_squared_error

filename = "mobiles.csv"
# Считываем данные из файла в DataFrame
data = pd.read_csv(filename, sep=',')
# Удаляем столбец с идентификатором
data.pop("Id")
# print(data)
# data.info()

# Приведение строковых значений признаков к численным при помощи векторайзера с суммированием
FEATURE_COLUMNS_TO_PROC = ['Name', 'Brand', 'Model', 'Operating system']
for column_name in FEATURE_COLUMNS_TO_PROC:
    vectorizer = TfidfVectorizer()
    train_text_feature_matrix = vectorizer.fit_transform(data[column_name]).toarray()
    a = pd.DataFrame(train_text_feature_matrix)
    data[column_name] = a[a.columns[1:]].apply(lambda x: sum(x.dropna().astype(float)), axis = 1)

# Приведение строковых значений к численным при помощи числового кодирования LabelEncoder
le = LabelEncoder()
data['Touchscreen'] = le.fit_transform(data['Touchscreen'])
data['Wi-Fi'] = le.fit_transform(data['Wi-Fi'])
data['Bluetooth'] = le.fit_transform(data['Bluetooth'])
data['GPS'] = le.fit_transform(data['GPS'])
data['3G'] = le.fit_transform(data['3G'])
data['4G/ LTE'] = le.fit_transform(data['4G/ LTE'])

# Разделение данных на обучающую и тестовую выборки
# В Y помещаем целевой признак - цену
Y = data['Price']


def predict(X):
    # Размер обучающей выборки - 99%, тестовой - 1%
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.01, random_state=42)

    # Создание и обучение модели DecisionTreeClassifier
    dtc = DecisionTreeClassifier(max_depth=5, random_state=241)
    dtc.fit(X_train, y_train)

    # Создание DataFrame с именами признаков и их важностью
    feature_importance_df = pd.DataFrame({'Признак': X_train.columns, 'Важность': dtc.feature_importances_}) \
        .sort_values(by='Важность', ascending=False)

    print("Важность признаков:")
    print(feature_importance_df)
    mean_accuracy = dtc.score(X_test, y_test)
    y_pred = dtc.predict(X_test)
    mse = mean_squared_error(y_test, y_pred)
    print(f"Среднеквадратичная ошибка: {mse}")
    print(f"Средняя точность: {mean_accuracy}")
    return feature_importance_df


print("\n***Решение задачи классификации, используя все параметры***")
# В Х помещаем все признаки, кроме цены
X = data.drop(columns='Price')
importance_df = predict(X)
print("\n***Решение задачи классификации, используя только 4 значимых параметра***")
# Выбираем только 4 значимых признака
important_features = importance_df.iloc[:4, 0].tolist()
X_important = data[important_features]
predict(X_important)