import tensorflow as tf
import numpy as np

t_a = int(t_aSpbox.get()) # 몇등의 데이터로 검증할 것인지
t_t = int(t_tSpbox.get()) # 트레인을 몇번 할 건지
t_r = float(t_rSpbox.get()) # learning rate

# X and Y data from 0km to 30km
# 0 ~ 30까지의 데이터만 가져와서 스케일을 10분의 1로 줄여준다.
# 스케일을 줄여주면 bias 값이 낮아진다.
# 스케일을 조절해서 bias 값을 최소화 시킨다
x_train = [ i/10 for i in xData[0:7]]
# 1등한 사람의 데이터를 가져와서 비교해준다.
y_train = record_list[t_a-1][0:7]


# 텐서플로우2 안에 있는 케라스를 사용해 모델 구성
model = tf.keras.models.Sequential() # 여러개의 레이어를 사용하겠다.
model.add(tf.keras.layers.Dense(1, input_dim = 1)) # 입출력이 1개인 레이어를 추가하곘다.

# optimizer
sgd = tf.keras.optimizers.SGD(lr=t_r) # 확률적 경사하강법을 사용하겠다.

# cost/loss function
model.compile(loss = 'mean_squared_error', optimizer=sgd) # 손실 함수는 mse를 사용하곘다.

#prints summary of the model to the terminal
model.summary()

# train the model
# epochs는 데이터가 사전이라 했을 때 그 사전을 몇번 완독하곘는가를 의미하고
# batch_size는 몇장을 보고 맞춰보는지 확인하는 것이다.
history = model.fit(x_train, y_train, epochs = t_t, batch_size = 128)

for step in range(t_t):
  # 100번마다 출력한다.
  if step % 100 == 0:
      # print(step, cost_val, W_val, b_val)
      cost_val = history.history['loss'][step]
      W_val = model.layers[0].get_weights()[0][0]
      b_val = model.layers[0].get_weights()[1]
      g_xdata.append(step)
      g_ydata.append(cost_val)
      log_ScrolledText.insert(END, "%20i %20.5f %20.5f %20.5f" % (step, cost_val, W_val, b_val)+'\n')

#gn.set_data(g_xdata, g_ydata) - 그걸 차트에 표시한다.
grad_ax.plot(g_xdata, g_ydata, 'ro')
grad_ax.set_title('The minimum cost is '+str(cost_val)+' at '+str(step)+'times')
grad_fig.canvas.draw()

# our hypothesis XW+b
W_val = model.layers[0].get_weights()[0][0] # 0번째 배열을 첫번째 값
b_val = model.layers[0].get_weights()[1]
log_ScrolledText.insert(END, "%20s" % ('\n\nHypothesis = X * W + b\n\n'), 'HEADER')
draw_hypothesis(W_val, b_val)

# Testing our model
log_ScrolledText.insert(END, "%20s" % ('\n\nRecords Prediction\n\n'), 'HEADER')
log_ScrolledText.insert(END, "%20s %20s %20s %20s" % ('Distance(km)',
  'Real record', 'ML Prediction',
  'Variation(Second)')+'\n\n')
for index in range(7, 10):
    x_value = xData[index] / 10
    p_xdata.append(xData[index])
    time = model.predict(np.array([x_value]))
    p_ydata.append(time[0])
    log_ScrolledText.insert(END, "%20.3f %20s %20s %20i" % (xData[index],
      seconds_to_hhmmss(t_ydata[index]),
      seconds_to_hhmmss(time[0]),
      (t_ydata[index] - time[0]))+'\n')

dn.set_data(t_xdata, t_ydata)  
pn.set_data(p_xdata, p_ydata)
fig.canvas.draw()

# 2017 데이터를 뺴고 데이터 프레임을 만든다.
marathon_2015_2016 = marathon_2015_2017[marathon_2015_2017['Year'] != 2017]

# 데이터 프레임에서 필요한 데이터만 추출한다.
df_2015_2016 = pd.DataFrame(marathon_2015_2016,columns=['M/F',
   'Age',
   'Pace',
   '10K',
   '20K',  
   '30K',  
   'Official Time'])

# 데이터를 리스트로 만든다.
record_2015_2016 = df_2015_2016.values.tolist()

# 리스트에서 'M/F',  'Age',  'Pace' 데이터를 특성
x_train = [ r[0:3] for r in record_2015_2016]
# 예측하고자 하는 데이터 '10K', '20K',  '30K',  'Official Time' 를 라벨로 놓는다.
y_train = [ r[3:7] for r in record_2015_2016]

# 2017 데이터 추출
marathon_2017 = marathon_2015_2017[marathon_2015_2017['Year'] == 2017]
# 2017 데이터에서 필요한 특성만 추출
df_2017 = pd.DataFrame(marathon_2017,columns=['M/F',
  'Age',
  'Pace',
  '10K',
  '20K',  
  '30K',  
  'Official Time'])
# 리스트로 만듬
record_2017 = df_2017.values.tolist()
# 리스트에서 특성과 라벨을 분류
x_test = [ r[0:3] for r in record_2017]
y_test = [ r[3:7] for r in record_2017]

# Define Sequential model and Dense
model =  tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(4, input_shape=(3,)))

# Stochastic gradient descent (SGD) Optimizer
sgd = tf.keras.optimizers.SGD(lr=t_r)
# Mean Square Error (MSE) loss function
model.compile(loss='mse', optimizer=sgd)

history = model.fit(np.array(x_train), np.array(y_train), epochs=t_t)

# 텍스트 박스에서 사용자가 입력한 값을 꺼낸다.
t_a = int(t_aSpbox.get()) - 1

# 그 등수에 해당하는 선수를 꺼내 특성을 변수에 넣는다.
runner = x_test[t_a]
t_g = int(runner[0]) # 성별
t_y = int(runner[1]) # 나이
t_p = int(runner[2]) # 페이스

# 선수의 정보를 넣어 예상 기록 시간을 꺼낸다.
winner = [ t_g, t_y, t_p ]
time = model.predict(np.array([winner]))