import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import japanize_matplotlib
from prophet import Prophet

# Crear un rango de fechas diarias para un año
date = pd.date_range("2020-01-01", periods=365, freq="D")

# Generar valores objetivo para la predicción
y = [
    np.cos(di.weekday())  # Componente semanal cíclico
    + di.month % 2 / 2    # Componente estacional mensual
    + np.log(i + 1) / 3.0 # Componente de tendencia
    + np.random.rand() / 10  # Ruido aleatorio
    for i, di in enumerate(date)
]

# Crear componentes individuales
x = [18627 + i - 364 for i in range(365)]  # Línea de tendencia
trend_y = [np.log(i + 1) / 3.0 for i, di in enumerate(date)]  # Componente de tendencia
weekly_y = [np.cos(di.weekday()) for i, di in enumerate(date)]  # Componente semanal
seasonal_y = [di.month % 2 / 2 for i, di in enumerate(date)]  # Componente estacional
noise_y = [np.random.rand() / 10 for i in range(365)]  # Ruido aleatorio

# Crear un DataFrame para los datos
df = pd.DataFrame({"ds": date, "y": y})
df.index = date

# Visualizar los datos simulados
plt.title("Datos de ejemplo")
sns.lineplot(data=df)  # Gráfica de línea de los datos
plt.show()

plt.figure(figsize=(14, 6))
plt.title("Descomposición de y en sus componentes")
# Componente de tendencia
plt.subplot(511)
plt.plot(x, trend_y, "-.", color="red", label="Tendencia", alpha=0.9)

# Componente cíclico semanal
plt.subplot(512)
plt.plot(x, weekly_y, "-.", color="green", label="Variación cíclica (semanal)", alpha=0.9)

# Componente estacional mensual
plt.subplot(513)
plt.plot(x, seasonal_y, "-.", color="orange", label="Variación cíclica (mensual)", alpha=0.9)

# Componente de ruido
plt.subplot(514)

def train_and_forecast_pf(
    data,
    periods=90,
    yearly_seasonality=False,
    weekly_seasonality=True,
    daily_seasonality=True,
):
    """Entrena y realiza predicciones con Prophet

    Args:
        data (pandas.DataFrame): Datos de series temporales.
        periods (int, optional): Duración del período a predecir. Por defecto, 90 días.
        yearly_seasonality (bool, optional): Indica si hay estacionalidad anual. Por defecto, False.
        weekly_seasonality (bool, optional): Indica si hay estacionalidad semanal. Por defecto, True.
        daily_seasonality (bool, optional): Indica si hay estacionalidad diaria. Por defecto, True.

    Returns:
        _type_: Modelo entrenado y resultados de la predicción.
    """
    # Verificar que los datos contienen las columnas requeridas
    assert "ds" in data.columns and "y" in data.columns, "Los datos deben contener las columnas 'ds' y 'y'."

    # Entrenar el modelo Prophet
    m = Prophet(
        yearly_seasonality=yearly_seasonality,
        weekly_seasonality=weekly_seasonality,
        daily_seasonality=daily_seasonality,
    )
    m.fit(data)

    # Crear el DataFrame para el futuro y realizar la predicción
    future = m.make_future_dataframe(periods=periods)
    forecast = m.predict(future)
    return m, forecast

# Comprueba los resultados de las previsiones
periods = 90
m, forecast = train_and_forecast_pf(
    df,
    periods=periods,
    yearly_seasonality=False,
    weekly_seasonality=True,
    daily_seasonality=True,
)
fig = m.plot(forecast)
plt.axvspan(18627, 18627 + periods, color="coral", alpha=0.4, label="予測期間")
plt.legend()
plt.show()

# Comprueba los resultados de las previsiones
periods = 90
m, forecast = train_and_forecast_pf(
    df,
    periods=periods,
    yearly_seasonality=True,
)
fig = m.plot(forecast)
plt.title("prophetの予測結果")
plt.axvspan(18627, 18627 + periods, color="coral", alpha=0.4, label="予測期間")
plt.legend()
plt.show()