import pandas as pd
import numpy as np
from sqlalchemy import create_engine
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# TODO
# 1.Добавить поля
#  -barTrend - перечисление и правило какое-то (смотрим через один если повысилось после steady то rising если уменьшилось после steady то falling)
#  -DateStamp - берется с последнего предсказанного + время опроса
#  -SunRise - берется с последнего предсказанного
#  -SunSet - берется с последнего предсказанного
#
# 12-10-2024 12:00
# 12-10-2024 12:01
#
# 2.Отделить вставку данных в бд от парсера данных с метеостанции
#
# 3.Возвращение результата в бд

# Настройка подключения к базе данных


DATABASE_URI = 'mysql+pymysql://wind:wind@193.124.203.110:3306/wind_towers'  # Замените на вашу строку подключения
engine = create_engine(DATABASE_URI)

# Запрос данных из базы данных
query = """
SELECT CRC, DateStamp, DewPoint, HeatIndex, ETDay, HumIn, HumOut,
       Pressure, RainDay, RainMonth, RainRate, RainStorm, RainYear,
       TempIn, TempOut, WindDir, WindSpeed, WindSpeed10Min
FROM weather_data
WHERE DateStamp >= '2024-10-14 21:00:00' - INTERVAL 12 HOUR;
"""
df = pd.read_sql(query, engine)

# Преобразование даты и установка индекса
df['DateStamp'] = pd.to_datetime(df['DateStamp'])
df.set_index('DateStamp', inplace=True)
df.sort_index(inplace=True)

# Создание временных признаков с использованием pd.concat для минимизации фрагментации
lags = 3
shifted_dfs = [df]  # Начинаем с оригинальных данных

# Создаем лаговые признаки
for lag in range(1, lags + 1):
    shifted_df = df.shift(lag).add_suffix(f'_t-{lag}')
    shifted_dfs.append(shifted_df)

# Объединяем все данные вместе, избегая фрагментации
df_with_lags = pd.concat(shifted_dfs, axis=1)

# Удаляем строки с NaN значениями
df_with_lags.dropna(inplace=True)
df_with_lags = df_with_lags.copy()  # Устраняем фрагментацию

# Исключаем все нечисловые столбцы
df_with_lags = df_with_lags.select_dtypes(include=['float64', 'int64'])

# Словарь для хранения моделей и оценок
models = {}
mse_scores = {}

# Обучение модели для каждого целевого поля
for target_column in df.columns[:22]:  # Ограничиваем до 22 полей
    if target_column not in df_with_lags.columns:
        continue  # Пропускаем, если колонка отсутствует в данных с лагами

    X = df_with_lags.drop(columns=[target_column])
    y = df_with_lags[target_column]

    # Разделение на обучающую и тестовую выборки
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)

    # Обучение модели
    model = RandomForestRegressor()
    model.fit(X_train, y_train)

    # Оценка модели
    y_pred = model.predict(X_test)
    mse = mean_squared_error(y_test, y_pred)
    mse_scores[target_column] = mse
    models[target_column] = model

    print(f"MSE для {target_column}: {mse}")

# Предсказание для следующего шага по всем моделям
predictions = {}
last_data = X.iloc[-1].values.reshape(1, -1)  # Последняя строка данных для прогноза

for target_column, model in models.items():
    predictions[target_column] = model.predict(last_data)[0]
    print(f"Предсказание для {target_column}: {predictions[target_column]}")
print(predictions)