from sklearn.ensemble import RandomForestRegressor

from sklearn.ensemble import GradientBoostingRegressor

from statsmodels.tools import categorical

import pandas as pd

import numpy as np

###############################################################################

'USER INPUT'

'work_directory: folder path string to input files'

'input_file options: MX5P_XY_Zmin.csv string where Z is 60, 180 or 1440'

'resolution options: 60, 180 or 1440'

'model options: RF or GB strings'

'user_file: file string from user with predictor variables'

'user_file placeholders use original X data.'

'*file paths for windows OS.'

###############################################################################

working_directory = r'C:\Users\afullhart\Desktop\XFER\XFER'

fitting_file = 'MX5P_XY_60min.csv'

user_file = 'MX5P_X_60min_Placeholder.csv'

resolution = 60

model = 'GB'

###############################################################################

###############################################################################

'fitting data'

###############################################################################

par_dict = {'RF60':[50, 20, 200], 'RF180':[50, 20, 200], 'RF1440':[100, 20, 200],

'GB60':[400, 2, 5], 'GB180':[400, 2, 5], 'GB1440':[400, 2, 5] }

pars = par_dict[model + str(resolution)]

file_df = pd.read_csv(working_directory + '\\' + fitting_file, header=0)

X = file_df.loc[:,'MX.5P_up':]

y = file_df['MX.5P_brkpt']

month_labels = ['mo-' + str(item) for item in list(sorted(file_df['Month'].unique()))]

month_list = np.array(file_df['Month'].tolist())

month_cat = categorical(month_list, drop=True)

columns = list(X.columns)

columns.extend(month_labels)

X_cat = np.concatenate((X, month_cat), axis=1)

X = pd.DataFrame(X_cat, columns=columns)

###############################################################################

'prediction data'

###############################################################################

user_df = pd.read_csv(working_directory + '\\' + user_file, header=0)

X_user = user_df.loc[:,:]

month_labels_user = ['mo-' + str(item) for item in list(sorted(user_df['Month'].unique()))]

month_list_user = np.array(user_df['Month'].tolist())

month_cat_user = categorical(month_list_user, drop=True)

columns_user = list(X_user.columns)

columns_user.extend(month_labels_user)

X_cat_user = np.concatenate((X_user, month_cat_user), axis=1)

X_user = pd.DataFrame(X_cat_user, columns=columns_user)

###############################################################################

'model fitting'

###############################################################################

regr = eval('RandomForestRegressor' if model == 'RF' else 'GradientBoostingRegressor')(

random_state=123)

regr.fit(X, y)

###############################################################################

'predicting'

###############################################################################

y_pred = regr.predict(X_user)

###############################################################################

'writing predictions to file'

###############################################################################

with open(working_directory + '\\' + 'out.txt', 'w') as f:

for value in y_pred:

f.write(str(value) + '\n')