import pandas as pd
from prophet import Prophet
import math
import matplotlib.pyplot as plt
import os

pd.set_option('display.width',None)
def normal(x):
    high = x.describe()['75%'] + 1.5*(x.describe()['75%']-x.describe()['25%'])
    low = x.describe()['25%'] - 1.5*(x.describe()['75%']-x.describe()['25%'])
    return x[(x<=high)&(x>=low)]


df = pd.read_csv(r'C:\Users\鸽子\Desktop\浙江各区县数据(2).csv')
df.columns = df.columns.map(lambda x:x.strip())
df.drop(columns=['500kv(含330kv)及以上','220kv','110kv(含66kv)','20kv','power_sal'],inplace=True)
print(df.columns)
# print(df.head())
print(dict(zip(df.columns,[(df[x]==0).sum()/len(df) for x in df.columns])))
for i in range(30):
    df_ct = df[df['org_name']==df['org_name'].drop_duplicates().values[i]]
    # print(df_ct.head())
    df_ct['1-10kv'] /= 10000
    df_ct['35kv'] /= 10000
    df_ct['0.4kv及以下'] /= 10000
    s1 = df_ct[['日期','1-10kv']]
    s1.dropna(how='any',inplace=True)
    s1 = s1.loc[normal(s1['1-10kv']).index]
    # plt.plot(range(len(s1)),s1['1-10kv'])
    # plt.show()

    # 更改列名，更改为Prophet指定的列名ds和y
    dd = s1.rename(columns={'日期':'ds','1-10kv':'y'})
    # 注意：Prophet模型对于数据格式有要求，日期字段必须是datetime格式，这里通过pd.to_datetime来进行转换。

    dd['ds'] = pd.to_datetime(dd['ds'])
    # 划分数据，划分为训练集和验证集，预测的数据设置为未来一个月
    df_train = dd[(dd['ds']>='2019-01-01')&(dd['ds']<='2023-10-31')][:-3]
    df_test = dd[(dd['ds']>='2019-01-01')&(dd['ds']<='2023-10-31')][-3:]
    # 数据的变动会受到季节、周、天的影响，存在一定的规律性，因此我们将这三个参数设置为True
    model = Prophet(yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=True)
    # 采用中国的假期模式，其余参数均保持默认
    model.add_country_holidays(country_name="CN")
    model.fit(df_train)
    # make_future_dataframe: 作用是告诉模型我们要预测多长时间，以及时间的周期是什么。这里设置为30，即预测一个月时间的数据。
    future = model.make_future_dataframe(periods=3, freq='D')
    # 进行预测，返回预测的结果forecast
    forecast = model.predict(future)
    # forecast['additive_terms'] = forecast['weekly'] + forecast['yearly']；
    # 有：forecast['yhat']  = forecast['trend'] +  forecast['additive_terms'] 。
    # 因此：forecast['yhat']  = forecast['trend'] +forecast['weekly'] + forecast['yearly']。
    # 如果有节假日因素，那么就会有forecast['yhat']  = forecast['trend'] +forecast['weekly'] + forecast['yearly'] + forecast['holidays']。
    # print(forecast)


    # 测试，把ds列，即data_series列设置为索引列
    df_test = df_test.set_index('ds')

    # 把预测到的数据取出ds列，预测值列yhat，同样把ds列设置为索引列。
    forecast = forecast[['ds','yhat']].set_index('ds')
    print(forecast)

    # join:按照索引进行连接，
    # dropna：能够找到DataFrame类型数据的空值（缺失值），将空值所在的行/列删除后，将新的DataFrame作为返回值返回。
    df_all = forecast.join(dd.set_index('ds')).dropna()
    print(df_all.loc['2023-10'])
    # # 创建一个ExcelWriter对象
    # with pd.ExcelWriter(r'C:\Users\鸽子\Desktop\output.xlsx',mode='a',if_sheet_exists='replace') as writer:
    #     # 将不同的子文件写入同一个Excel文件的不同工作表
    #     df_all.to_excel(writer, sheet_name=f'Sheet{i+1}')

# df_all.plot()
# # 设置左上角小标
# plt.legend(['true', 'yhat'])
# plt.show()