#imports
import streamlit as st
import random
import pickle 
from sklearn.preprocessing import StandardScaler
import pandas as pd
import time

from sklearn.cluster import KMeans


#pre cargar
standard_scaler = StandardScaler()
dataIni = pd.read_csv('DataModelo.csv')
#data = dataIni.drop(['Usuario_Id','Cluster','recency','Avg_dias','distancia','total_min','num_reincidencia','mes'], axis=1, )
#data = dataIni.drop(columns= {'Cluster','Usuario_Id','recency', 'Avg_dias','distancia', 'total_min', 'num_reincidencia', 'mes'})
data = dataIni[['recency_t','Avg_dias_t','distancia_t','total_min_t','num_reincidencia_t','mes_t']]
# var

cluster_dict = {
    0: {"descripcion":"Usuarios que usan muchas veces el servicio, por distancias largas y frecuentemente.",},
    1: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan pocas veces al año y con muy poca frecuencia.",},
    2: {"descripcion":"Usuarios que usan el servicio para distancias largas, pocas veces al año y no muy frecuentemente.",},
    3: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y frecuentemente.",},
    4: {"descripcion":"Usuarios que no lo usan por distancias largas, lo usan varias veces al año y muy frecuentemente",},
    5: {"descripcion":"Usuarios que lo usan por distancias muy cortas, muy pocas veces al año y muy pocas veces al año.",},
    6: {"descripcion":"Usuarios que usan el servicio para distancias cortas, pero lo utilizan muy seguido durante todo el año.",},
    7: {"descripcion":"Usuarios que utilizan el servicio para distancias largas, pero muy pocas veces al año y con muy poca frecuencia."},
}

diccionario_operaciones = {
    'recency_t': (1/3),
    'Avg_dias_t': (1/5),
    'distancia_t': 1,
    'total_min_t': (1/3),
    'num_reincidencia_t': (1/3),
    'mes_t': 1

}

diccionario_Avg_dias_t = {
    '1 - 5 dias': 2.5,
    '5 - 10 dias': 7.5, 
    '10 - 15 dias': 12.5,
    '15 - 20 dias': 17.5,
    '20 - 25 dias': 22.5,
    '25 - 30 dias': 27.5,
    '30 - 35 dias': 32.5,
    '35 - 40 dias': 37.5,
    '40 dias en adelante': 45
}

#Funciones

def transformacionData(formularioTemp):
    for k, v in formularioTemp.items():
        formularioTemp[k]= (float(v[0])  ** diccionario_operaciones[k])
    return formularioTemp

def procesarDatos(valor): 
    with st.spinner('Cargando...'):  
        
        
        formulario = {
                    'recency_t': str(valor[0]),
                    'Avg_dias_t': str(diccionario_Avg_dias_t[valor[1]]),
                    'distancia_t': str(valor[2]),
                    'total_min_t': str(valor[3]),
                    'num_reincidencia_t': str(valor[4]),
                    'mes_t': str(valor[5])
                }

        resultado = transformacionData(formulario)

        dataNew = data.append(resultado,ignore_index=True)
        dataNew = dataNew.fillna(0)
        #standard_scaler
        Master_scaled = standard_scaler.fit_transform(dataNew)
        Master_scaled = pd.DataFrame(Master_scaled)
        Master_scaled.columns = dataNew.columns



        # Agregar el diccionario de entrada al dataset como último valor 

        #last_data = Master_scaled.iloc[1:]

        # Verificar el tiempo de respuesta de estandarización para estandarizar los datos de entrada

        # Ejecución de modelo
        kmeans = KMeans()

        # Aplicación del método del codo para la obtención de número de clúster óptimos
        distortions = []
        K = range(1,8)
        for k in K:
            kmeanModel = KMeans(n_clusters=k)
            kmeanModel.fit(Master_scaled)
            distortions.append(kmeanModel.inertia_)

        dataNew["Cluster"] = kmeans.fit_predict(Master_scaled)


        # Resultado 
        #resultado = dataNew.iloc[1:]['cluster']

        #st.text(resultado)


        # print(resultado)
        st.success(cluster_dict[dataNew["Cluster"].iloc[-1]]["descripcion"]+"✅")
        return ""

#Interface

st.image('banner.jpg')

col1, col2, col3 , col4, col5 = st.columns(5)
with col3:
    st.image('logo.png')
    
col1, col2, col3 = st.columns(3)
with col1:
    recency = st.number_input('Dias recientes que ha usado MIBICI',min_value=1, max_value=30, value=1)

with col2:
    #avg_dias = st.number_input('Promedio de dias que se usa mibici',value=0.00)
    avg_dias = option = st.selectbox(
                    'Dias que usa MIBICI usualmente',
                    (diccionario_Avg_dias_t))
with col3:
    total_min = st.number_input('Distancia que recorre en km', min_value=0.5, max_value=20.0, value=0.5, step=0.5 )

col1, col2, col3 = st.columns(3)
with col1:
    num_reincidencia = st.number_input('Numeros de reincidencia',value=0)
with col2:
    total_min = st.number_input('Total de minutos usados',value=0)
with col3:
    mes = st.number_input('Cuantos meses ha usado mi bici',value=0.0)
#Master = Master[[recency, avg_dias, total_min, num_reincidencia, mes]]

col1, col2, col3 , col4, col5, col6, col7 = st.columns(7)
with col4:
    buttonCalcular = st.button('Calcular')
    
texto_output = st.markdown('')
    
    


    

    
    
if buttonCalcular:
    texto_output.markdown(procesarDatos([recency, avg_dias, total_min, total_min, num_reincidencia, mes]))