import numpy as np
import random
import tensorflow as tf
import pandas as pd
from keras import backend as K
from sklearn.preprocessing import MinMaxScaler
import os

# 各種パスの設定
######################################################################
base_path = '/content/drive/MyDrive/Probspace/20230519-Vegetable' # ベースとなるパスを指定してください。#######
######################################################################
os.makedirs(os.path.join(base_path,'output'), exist_ok=True)  # 提出用ファイルを出力するディレクトリを作成
train_data_path = os.path.join(base_path,'data/train_data.csv') # 訓練データのパスを指定
submit_data_path = os.path.join(base_path,'data/submission.csv') # 提出用サンプルfileのパスを指定
output_file_path = os.path.join(base_path,'output/001_submission.csv') # 提出用ファイルのパスを指定

seed_value = 42

# NumPyの乱数シードを設定
np.random.seed(seed_value)

# Pythonの組み込みのrandomの乱数シードを設定
random.seed(seed_value)

# TensorFlowの乱数シードを設定
tf.random.set_seed(seed_value)

# Kerasのバックエンド（TensorFlow）の乱数シードを設定
session_conf = tf.compat.v1.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
sess = tf.compat.v1.Session(graph=tf.compat.v1.get_default_graph(), config=session_conf)
K.set_session(sess)

# 訓練データの読み込み
train_data = pd.read_csv(train_data_path)
train_data.shape

# 列名から野菜の種類と地域を抽出
columns = train_data.columns[1:]  # タイムスタンプの列を除外
vegetable_types = [col.split('_')[0] for col in columns]
regions = [col.split('_')[1] for col in columns]
print(len(vegetable_types))
print(len(regions))

# LSTMモデル用にデータを準備
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(train_data.iloc[:, 1:])
print(scaled_data.shape)

# 各予測に考慮するタイムステップ数を定義
lookback = 12  # データセットや要件に応じてこの値を調整できます

# シーケンスと対応するラベルを作成
sequences = []
labels = []
for i in range(lookback, len(scaled_data)):
    sequences.append(scaled_data[i - lookback:i])
    labels.append(scaled_data[i])

# シーケンスとラベルをNumPy配列に変換
sequences = np.array(sequences)
labels = np.array(labels)

# データをトレーニングセットとバリデーションセットに分割
train_size = int(0.8 * len(sequences))
train_X, train_y = sequences[:train_size], labels[:train_size]
val_X, val_y = sequences[train_size:], labels[train_size:]

from keras.models import Sequential
from keras.layers import LSTM, Dense

# LSTMモデルを構築
model = Sequential()
model.add(LSTM(64, input_shape=(lookback, len(columns))))
model.add(Dense(len(columns)))  # 列数と同じ数のユニットを持つ出力層

# モデルをコンパイル
model.compile(loss='mse', optimizer='adam', metrics=['mse'])

# モデルを訓練
model.fit(train_X, train_y, epochs=100, batch_size=16, validation_data=(val_X, val_y))

# 各列に対して将来のデータを予測
future_predictions = model.predict(sequences[-lookback:])
future_prices = scaler.inverse_transform(future_predictions)

# 各列の予測された将来価格を10行分表示
for i, col in enumerate(range(10)): # (columns):
    print(f"{vegetable_types[i]}の{regions[i]}における予測価格：{future_prices[0][i]}")

#テスト結果の出力
submit_df = pd.read_csv(submit_data_path)
submit_df['y'] = pd.DataFrame(future_prices[0])
submit_df.to_csv(output_file_path,index=None)

# 出力ファイルの確認
read_df = pd.read_csv(output_file_path)
read_df.head()