#Import bibliotek
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import numpy as np


#Wczytać zbiór Titanic z biblioteki seaborn: (https://seaborn.pydata.org/) - biblioteka do wizuaizacji danych podpowiedź - load_cośtam
#Wyświetlić 10 wierszy z danymi:
df = sns.load_dataset("titanic")

#Wyświetlcie 10 pierwszych wierszy
print("Pierwsze 10 wierszy: ")
print(df.head(10))
print()
#Wyświetlcie brakujących wartości przed czyszczeniem
print("Wyrzucone wiersze")
print(df.isnull().sum())
#Usuwamy rekordy z brakującymi danymi w polu 'age' i wyświetlenie pozostałych wierszy
df = df.dropna(subset=['age'])
#Wyprintujcie ilość wierszy gdzie age ma wartość NAN
print()
print(f"Liczba wierszy przed czyszczeniem: {len(sns.load_dataset("titanic"))}")
print(f"Liczba wierszy po czyszczeniu: {len(df)}")

def fare_categories(fare, fare_ranges):
  if fare <= fare_ranges[0]:
    return 0 #niska
  elif fare <= fare_ranges[1]:
    return 1 #średnia
  else:
    return 2

min_fare = df['fare'].min()
max_fare = df['fare'].max()
fare_step = (max_fare - min_fare) / 3

fare_ranges = [min_fare + fare_step, min_fare + 2 * fare_step]

print("Przedziały cenowe biletów:")
print(f"Niska: {min_fare:.2f} - {fare_ranges[0]:.2f}")
print(f"Średnia: {fare_ranges[0]:.2f} - {fare_ranges[1]:.2f}")
print(f"Wysoka: {fare_ranges[1]:.2f} - {max_fare:.2f}")

# Sekcja 4: Przygotowanie danych do modelowania
selected_features = ['sex', 'pclass', 'age', 'fare_category']
df_model = df.copy()
df_model['sex'] = df_model['sex'].map({'male': 0, 'female': 1})
df_model['fare_category'] = df_model['fare'].apply(lambda x: fare_categories(x, fare_ranges))

# Sekcja 5: Podział danych i skalowanie
# Przygotowanie danych
X = df_model[selected_features]
y = df_model['survived']

# Podział na zbiór treningowy i testowy
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Skalowanie danych
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
#Lekcja 2 trenowanie i ocena modelu
model = LogisticRegression(
    random_state=42,    #Powtarzalność wyników
    C = 0.2             #Siła regularyzacji
)

model.fit(X_train_scaled, y_train)
y_pred = model.predict(X_test_scaled)
accuracy = accuracy_score(y_test, y_pred)

print("\nWyniki modelu:")
print(f"Dokładność: {accuracy:.3f}")

#Analizowanie metryk i macierzy pomyłek
print("\nRaport Klasyfikacji:")
print(classification_report(y_test, y_pred))
conf_matrix = confusion_matrix(y_test, y_pred)

tn, fp, fn, tp = conf_matrix.ravel()
sensitivity = tp / (tp + fn)
precision = tp / (tp + fp)
f1 = 2 * (precision * sensitivity) / (precision + sensitivity)

print("\nDodatkowe metryki:")
print(f"Czułość recall: {sensitivity:.3f}")
print(f"Precyzja: {precision:.3f}")
print(f"F1 Score: {f1:.3f}")

#Program, który będzie działać w pętli aż do zakończenia przez użytkownika
#Pytanie o kontynuację po każdej prognozie
#Pobieranie danych od użytkownika (Płeć, klasa, wiek, kategoria cenowa biletu)
#Utworzenie nowego DataFrame z danymi pasażera i dokonanie standaryzacji
#Dokonanie prognozy czy pasażer przeżyje
#Wyświetlenie prognozowanego wyniku

while True:
  print("\nPrognoza przeżycia dla nowego pasażera")
  print("\nWpisz 'koiec' aby zakończyć")

  sex_input = input("Podaj płeć (m/k): ").lower()
  #jeżeli koniec to papa
  if sex_input == 'koniec':
    break
  sex = 1 if sex_input == 'k' else 0

  pclass_input = input("Podaj klasę (1/2/3): ")
  if pclass_input == 'koniec':
    break
  pclass = int(pclass_input)

  age_input = input("Podaj wiek: ")
  if age_input == 'koniec':
    break
  age = float(age_input)

  print(f"Przedziały cenowe biletów: ")
  print(f"0 Niska: {min_fare:.2f} - {fare_ranges[0]:.2f}")
  print(f"1 Średnia: {fare_ranges[0]:.2f} - {fare_ranges[1]:.2f}")
  print(f"2 Wysoka: {fare_ranges[1]:.2f} - {max_fare:.2f}")

  fare_category_input = input("Podaj kategorie cenowe biletów (0/1/2): ")
  if fare_category_input == 'koniec':
    break
  fare_category = int(fare_category_input)

  #tutaj tworzycie dataframe

  new_passenger = pd.DataFrame({
      'sex': [sex],
      'pclass': [pclass],
      'age': [age],
      'fare_category': [fare_category]
  })

  new_passenger_scaled = scaler.transform(new_passenger)
  prediction = model.predict(new_passenger_scaled)
  probability = model.predict_proba(new_passenger_scaled)

  print("\nPrognoza przeżycia dla nowego pasażera:")
  print(f"Płeć: {'Kobieta' if sex == 1 else 'Mężczyzna'}")
  print(f"Klasa: {pclass}")
  print(f"Wiek: {age}")
  print(f"Kategoria cenowa biletu: {'Niska' if fare_category == 0 else 'Średnia' if fare_category == 1 else 'Wysoka'}")
  print(f"Przeżyje: Prawdopodobieństwo przeżycia {probability[0][1]:.2%}")