import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from skimage.metrics import structural_similarity as ssim
from scipy.stats import norm

# 테스트를 위한 데이터 로드
path = r"VitalStudy\Data\TestSetV2.csv"
df = pd.read_csv(path)

# 분석을 하고자 하는 시계열 데이터의 데이터입니다.
data = df["data"].tolist()

# 데이터의 길이를 N으로 지정합니다.
N = len(data)

# 데이터를 정규화합니다.
NormData = []
Xmean = np.nanmean(data)
std_dev = np.nanstd(data)

# 각각의 데이터 포인트를 Z-정규화
for x in data:
    Xnorm = (x - Xmean) / std_dev
    NormData.append(Xnorm)
    
# 전체 데이터를 몇 등분하면 좋을 지... 
R = 10

# PAA 적용을 위한 구간 개수 W를 설정합니다.
W = N // R

# PAA 변환: 데이터를 W 개의 구간으로 나누어 각 구간의 평균을 계산
paa_values = []
segment_size = N / W

for i in range(W):
    # 구간의 시작과 끝 인덱스를 계산합니다.
    start_idx = int(i * segment_size)
    end_idx = int((i + 1) * segment_size) if i < W - 1 else N  # 마지막 구간은 끝까지 포함
    
    # 구간 내 평균값 계산
    segment_sum = np.sum(NormData[start_idx:end_idx])
    segment_value = (W / N) * segment_sum
    paa_values.append(segment_value)

# PAA 데이터를 원본 데이터의 길이와 일치시키기 위해 각 구간을 평균값으로 대체함
paa_data_expanded = np.repeat(paa_values, np.ceil(segment_size).astype(int))[:N]

# 부호화 단계
alphabet = ["a", "b", "c"]

# breakpoints를 특정 숫자 두 개로 설정합니다. 0~1 사이의 2개의 수를 선택합니다. 
# x1 은 x2 보다 작은 수로 설정합니다. 
x1 = 0.25
x2 =  0.75
breakpoints = norm.ppf([x1, x2])

# SAX 변환
sax_symbols = []
for value in paa_values:
    if value < breakpoints[0]:
        sax_symbols.append("a")
    elif breakpoints[0] <= value <= breakpoints[1]:
        sax_symbols.append("b")  # 구간 내 값에 할당할 기호
    else:
        sax_symbols.append("c")

# 남기고 싶은 부호를 설정합니다.
valid_alphabet = ["b"]

# 원본 데이터에서 유효 기호에 해당하지 않는 값을 NaN으로 변경
filtered_original_data = data.copy()
for i, symbol in enumerate(sax_symbols):
    start_idx = int(i * segment_size)
    end_idx = int((i + 1) * segment_size) if i < W - 1 else N
    if symbol not in valid_alphabet:
        filtered_original_data[start_idx:end_idx] = [np.nan] * (end_idx - start_idx)

# 필터링된 데이터를 파일로 저장
filtered_df = pd.DataFrame({"Original": data, "Filtered": filtered_original_data})
filtered_df.to_csv("filtered_data.csv", index=False)

# gt 이미지의 크기를 가져옵니다
gt_image_path = r"VitalStudy\Data\Image\gt.png"
goal = r"VitalStudy\Data\Image\answer_graph.png"

gt_image = Image.open(gt_image_path)
width, height = gt_image.size

# GT 이미지의 DPI를 정수로 가져옴
dpi = gt_image.info.get('dpi', (72,))[0]  # 첫 번째 값만 가져오도록 수정

# X, Y축 범위를 설정 (GT 이미지와 동일하게 약간 여유 추가)
x = np.linspace(0, 1, N)
plt.plot(x, filtered_original_data, c="k")

# X축을 양쪽으로 5% 여유를 두어 설정
plt.xlim(-0.05, 1.05)

# Y축을 데이터의 최소/최대값에서 10% 여유를 두어 설정
y_min, y_max = np.nanmin(data), np.nanmax(data)
y_range = y_max - y_min
plt.ylim(y_min - 0.1 * y_range, y_max + 0.1 * y_range)

# 저장할 때도 DPI를 설정해 원본과 동일한 크기로 저장
plt.savefig(goal, pad_inches=0, dpi=dpi)
plt.close()


# 저장한 그림과 gt의 그림을 가지고 일치도를 조사한다.
# 이미지 파일 경로
answer_path = goal
gt_image_path = gt_image_path  # 두 번째 이미지 파일 경로

# 두 이미지 파일을 로드하고 grayscale로 변환
gt = Image.open(gt_image_path).convert("L")
answer = Image.open(answer_path).convert("L")

# 이미지 크기를 동일하게 조정 (크기가 다를 경우)
gt = gt.resize(answer.size)

# numpy 배열로 변환
gt_array = np.array(gt)
answer_array = np.array(answer)

# SSIM 계산 및 차이 맵 생성
similarity_index, diff = ssim(gt_array, answer_array, full=True)

# 일치도를 출력한다
print(similarity_index)