import pandas as pd
import datetime
import numpy as np
#import random

class trandeVoter():
    
    def __init__(self,name):
       
        self.name = name # просто имя
        self.trandeValuesList = ['up','none','down'] #словарь трегдов
        self.matrixAmounts = None # матрица сумм
        self.keysMatrixAmounts = None #ключи матрицы сумм, техническое поле
        self.matrixProbability = None # матрица вероятностей
        
    
    #функция которая создает df с заданным набором колонок и индексов. индексы - уникальные соотношения 
    def createDFbyNames(self, namesIndex, namesColoms,defaultValue=0.0):
        df = pd.DataFrame(dict.fromkeys(namesColoms, [defaultValue]*pow(3,len(namesIndex))),
                          index=pd.MultiIndex.from_product([self.trandeValuesList]*len(namesIndex), names=namesIndex)
                            #,columns=namesColoms
                        )
        return(df)
    
    #создание матрицы сумм с дефолтным значением
    def createMatrixAmounts(self,namesIndex: list) -> pd.DataFrame():
        self.matrixAmounts = self.createDFbyNames(namesIndex,self.trandeValuesList,0)
        self.keysMatrixAmounts = self.matrixAmounts.to_dict('tight')['index_names']
        self.createMatrixProbability(namesIndex)
        return(self.matrixAmounts)
    
    #создание матрицы вероятностей с дефолтным значением
    def createMatrixProbability(self,namesIndex: list) -> pd.DataFrame():
        self.matrixProbability = self.createDFbyNames(namesIndex,self.trandeValuesList)
        return(self.matrixProbability)
    
    #установка значений в матрицы сумм. signalDecisions - значения индикаторов key:value; trande - реальное значение
    def setDecisionBySignals(self,signalDecisions: dict,trande: str) -> None:
        buff=[]
        for i in self.keysMatrixAmounts:
            buff.append(signalDecisions[i])
        self.matrixAmounts.loc[tuple(buff),trande] += 1
        
    #заполнение матрицы вероятностей вычисляемыми значениями из матрицы сумм
    def generateMatrixProbability(self) -> None:
        for i in range(self.matrixAmounts.shape[0]):
            print(self.matrixAmounts)
            rowSum=sum(self.matrixAmounts.iloc[i]) + 1
            self.matrixProbability.iloc[i]['up'] = self.matrixAmounts.iloc[i]['up'] / rowSum
            self.matrixProbability.iloc[i]['none'] = self.matrixAmounts.iloc[i]['none'] / rowSum
            self.matrixProbability.iloc[i]['down'] = self.matrixAmounts.iloc[i]['down'] / rowSum

    #получение рещения из матрицы вероятностей по заданным значениям сигналов
    def getDecisionBySignals(self,signalDecisions: dict) -> dict:
        ans = {}
        spliceSearch =self.matrixProbability.xs(tuple(signalDecisions.values()),
                                                       level=list(signalDecisions.keys())
                                                      ) 
        ans['probability'] = spliceSearch.to_dict('records')[0]
        ans['trande'] = spliceSearch.iloc[0].idxmax()
        return ans
    
    #получение матриц вероятностей и суммы в видей словарей
    def getMatrixDict(self) -> dict:
        ans={}
        ans['amounts'] = self.matrixAmounts.to_dict('tight')
        ans['probability'] = self.matrixProbability.to_dict('tight')
        return ans
    
    #установка матриц вероятностей и суммы в видей словарей
    def setMatrixDict(self,matrixDict: dict) -> dict:
        if matrixDict['amounts'] != None:
            self.matrixAmounts = pd.DataFrame.from_dict(y['amounts'], orient='tight')
        if matrixDict['probability'] != None:
            self.matrixProbability = pd.DataFrame.from_dict(y['probability'], orient='tight')