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

# генерируем исходные данные: 750 строк-наблюдений и 14 столбцов-признаков
np.random.seed(0)
size = 750
X = np.random.uniform(0, 1, (size, 14))
# Задаем функцию-выход: регрессионную 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))
# Добавляем зависимость признаков
X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))

# Гребневая регрессия
ridge = Ridge(alpha=7)
ridge.fit(X, Y)
# Случайные деревья
rf = RandomForestRegressor(n_estimators=100, random_state=0)
rf.fit(X, Y)

ranks = {}

names = ["x%s" % i for i in range(1, 15)]

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))

ranks["Ridge"] = rank_to_dict(ridge.coef_, names)
ranks["Random Forest"] = rank_to_dict(rf.feature_importances_, names)

# Вычисляем коэффициенты корреляции между признаками и целевой переменной
correlation_coeffs = f_regression(X, Y)[0]

# Добавляем результаты корреляции в словарь ranks
ranks["Correlation"] = rank_to_dict(correlation_coeffs, names)

# Создаем пустой словарь для данных
mean = {}

# Бежим по словарю ranks
for key, value in ranks.items():
    # Пробегаемся по словарю значений ranks, которые являются парой имя:оценка
    for item in value.items():
        # Имя будет ключом для нашего mean
        # Если элемента с текущим ключом в mean нет - добавляем
        if item[0] not in mean:
            mean[item[0]] = 0
        # Суммируем значения по каждому ключу-имени признака
        mean[item[0]] += item[1]

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

# Сортируем и распечатываем список
mean = sorted(mean.items(), key=lambda x: x[1], reverse=True)

for key, value in ranks.items():
    ranks[key] = sorted(value.items(), key=lambda x: x[1], reverse=True)
for key, value in ranks.items():
    print(key)
    print(value)

print("Mean Importance:")
for item in mean:
    print(item[0], ":", item[1])