import pandas
from sklearn.manifold import TSNE
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from matplotlib.colors import ListedColormap

#Данные
data = pandas.read_csv('clean_data.csv')

#Приведение строчных значений к числовым
#work
factorized_data_work, unique_values_work = pandas.factorize(data['work'])
data['work'] = factorized_data_work
#gymtime
factorized_data_gymtime, unique_values_gymtime = pandas.factorize(data['gymtime'])
data['gymtime'] = factorized_data_gymtime

#Отбор нужных столбцов
x = data[['age', 'weight', 'work', 'phy_health', 'phy_ex' 'gymtime']]

#Нормализация данных
scaler = StandardScaler()
x_norm = scaler.fit_transform(x)

#Выбор количества кластеров
n_clusters = 3

#Кластеризация с использованием KMeans
kmeans = KMeans(n_clusters=n_clusters, init='k-means++', random_state=42)
target = kmeans.fit_predict(x_norm)

#t-SNE для визуализации результатов и кластеризации
tsne = TSNE(n_components=2, random_state=42)
x_tsne = tsne.fit_transform(x_norm)

# Вывод результатов
plt.scatter(x_tsne[:, 0], x_tsne[:, 1], c=target, cmap=ListedColormap(['#8b00ff', '#ff294d', '#77dd77']))
plt.title('t-SNE кластеризация')
plt.savefig("t-SNE.png")