import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from statsmodels.tsa.holtwinters import ExponentialSmoothing
from IPython.display import display

# Определим функцию сглаживания временного ряда, она понадобится позже
def smooth_time_series(ts):
    ## 1. Метод скользящего окна
    ## Параметр window задает ширину окна усреднения значений
    #return ts.rolling(window=5).mean()

    ## 2. Метод экспоненциального сглаживания (метод Хольта-Уинтерса)
    ## варианты для параметра trend: "add", "mul", "additive", "multiplicative", None
    ## варианты для параметра seasonal: "add", "mul", "additive", "multiplicative", None
    ## seasonal_periods задает для модели предполагаемый интервал сезонности,
    ## когда ВР будет иметь похожие уровни и тенденции

    model = ExponentialSmoothing(ts, trend="additive", seasonal="additive", seasonal_periods=5)
    return model.fit().fittedvalues

## Для чтения из файла необходимо взять временные ряды из предложенных наборов
## и сохранить в csv файл как показано в примере, сформировав датасет
dataset = pd.read_csv("ts2.csv", delimiter=";")

## после того как файл был прочтен, можно вывести содержимое временных рядов в консоль
print(dataset)

## для выполнения первой части задания необходимо подобрать метод
## и параметры сглаживания временного ряда
## для этого выше реализован пример функции
sds = dataset.apply(smooth_time_series)

plt.plot(sds, label='Сглаженный временной ряд')
plt.plot(dataset, label='Исходный временной ряд')
plt.show()

df = pd.DataFrame(MinMaxScaler().fit_transform(sds), columns=sds.columns)
print(df)

# расчет степени корреляции между сглаженными временными рядами
matrix = df.corr()
print(matrix)

# для примера сравним корреляцию для несглаженных временных рядов
matrix2 = dataset.corr()
print(matrix2)

# визуализация матрицы корреляции
plt.imshow(matrix, cmap='Blues')
# добавление цветовой шкалы
plt.colorbar()

# для диаграммы понадобятся имена временных рядов
variables = []
for i in matrix.columns:
    variables.append(i)

# Метки добавляются на диаграммы
plt.xticks(range(len(matrix)), variables, rotation=45, ha='right')
plt.yticks(range(len(matrix)), variables)
plt.show()