import pandas as pd
import numpy as np
import xgboost as xgb
import mysql.connector
from mysql.connector import Error
from datetime import datetime, timedelta


# --- CONFIGURATIE ---
MODEL_FILE = 'price_forecast_model.json'
TARGET = 'gemiddelde_prijs'
AANTAL_UUR_VOORSPELLEN = 120 # Hoeveel uur vooruit wil je kijken?
pd.set_option('display.max_rows', None) # Forceert pandas om ALLE rijen te printen


# --- MySQL Database Config ---
# VUL DIT IN MET JOUW GEGEVENS
DB_CONFIG = {
    'host': '192.168.178.201',
    'user': 'energy_prices_user',
    'password': 'kS9R*xp17ZwCD@CV&E^N',
    'database': 'energy_prices',
    'port': 3307
}

# Dit zijn de 16 features die het model MOET hebben
FEATURES = [
    'temperatuur', 'gevoelstemperatuur', 'neerslag', 'wind_richting', 
    'wind_snelheid', 'bewolking', 'luchtdruk', 'luchtvochtigheid', 
    'uur_van_de_dag', 'dag_van_de_week', 'maand', 'dag_van_het_jaar', 
    'prijs_1u_geleden', 'prijs_24u_geleden', 'temp_avg_3u', 'prijs_avg_6u'
]

print("="*70)
print("PRIJS VOORSPELLER (op basis van data uit MySQL)")
print("="*70)

def haal_data_uit_database(conn):
    """
    Haalt alle benodigde data op:
    1. Historie (afgelopen 30 uur, weer + prijs)
    2. Toekomst (komende 24 uur, alleen weer)
    """
    print("💾 Data ophalen uit MySQL...")
    
    # 1. Haal recente HISTORIE op (weer + prijs)
    # We hebben de prijs-tabel (dynamic_price_data) nodig
    query_hist = """
    SELECT
        w.datum_tijd, w.temperatuur, w.gevoelstemperatuur, w.neerslag,
        w.wind_richting, w.wind_snelheid, w.bewolking, w.luchtdruk, w.luchtvochtigheid,
        p_avg.gemiddelde_prijs
    FROM
        amersfoort_weer_uurlijks AS w
    JOIN
        (SELECT datetime, AVG(price) AS gemiddelde_prijs
         FROM dynamic_price_data GROUP BY datetime) AS p_avg 
         ON w.datum_tijd = p_avg.datetime
    WHERE
        w.datum_tijd BETWEEN (NOW() - INTERVAL 30 HOUR) AND NOW()
    ORDER BY
        w.datum_tijd;
    """
    
    # 2. Haal TOEKOMSTIG weer op (alleen weer, prijs is NULL)
    query_toekomst = f"""
    SELECT
        datum_tijd, temperatuur, gevoelstemperatuur, neerslag,
        wind_richting, wind_snelheid, bewolking, luchtdruk, luchtvochtigheid,
        NULL AS gemiddelde_prijs  -- Prijs is nog niet bekend
    FROM
        amersfoort_weer_uurlijks
    WHERE
        datum_tijd BETWEEN NOW() AND (NOW() + INTERVAL {AANTAL_UUR_VOORSPELLEN} HOUR)
    ORDER BY
        datum_tijd;
    """
    
    try:
        hist_df = pd.read_sql(query_hist, conn, index_col='datum_tijd', parse_dates=['datum_tijd'])
        toekomst_df = pd.read_sql(query_toekomst, conn, index_col='datum_tijd', parse_dates=['datum_tijd'])
        
        print(f"✅ {len(hist_df)} uur historie geladen.")
        print(f"✅ {len(toekomst_df)} uur toekomstig weer geladen.")
        
        # 3. Combineer ze tot één 'werkblad'
        combined_df = pd.concat([hist_df, toekomst_df])
        return combined_df.sort_index()

    except Exception as e:
        print(f"❌ Fout bij ophalen data: {e}")
        return None

def maak_features_voor_uur(df, timestamp):
    """
    Maak de 16 features voor één specifiek uur.
    Hiervoor zijn de *vorige* rijen in de DataFrame nodig.
    """
    features = {}
    
    # Haal data op van het specifieke uur
    data_nu = df.loc[timestamp]
    
    # 1. Tijd-features
    features['uur_van_de_dag'] = timestamp.hour
    features['dag_van_de_week'] = timestamp.dayofweek
    features['maand'] = timestamp.month
    features['dag_van_het_jaar'] = timestamp.dayofyear
    
    # 2. Weer-features (direct uit de data)
    weer_cols = ['temperatuur', 'gevoelstemperatuur', 'neerslag', 'wind_richting', 
                 'wind_snelheid', 'bewolking', 'luchtdruk', 'luchtvochtigheid']
    for col in weer_cols:
        features[col] = data_nu[col]

    # 3. Lag-features (van vorige uren)
    features['prijs_1u_geleden'] = df.loc[timestamp - timedelta(hours=1)]['gemiddelde_prijs']
    features['prijs_24u_geleden'] = df.loc[timestamp - timedelta(hours=24)]['gemiddelde_prijs']
    
    # 4. Rolling-features (gemiddelden van vorige uren)
    features['temp_avg_3u'] = df.loc[timestamp - timedelta(hours=2) : timestamp]['temperatuur'].mean()
    features['prijs_avg_6u'] = df.loc[timestamp - timedelta(hours=5) : timestamp]['gemiddelde_prijs'].mean()
    
    # Converteer naar een DataFrame met de juiste kolomvolgorde
    return pd.DataFrame([features], columns=FEATURES)


# --- START VAN HET SCRIPT ---
try:
    # 1. Laad het getrainde model
    print(f"Laden van model: {MODEL_FILE}...")
    model = xgb.XGBRegressor()
    model.load_model(MODEL_FILE)
    print("✅ Model succesvol geladen.")

    # 2. Maak verbinding met de database
    conn = mysql.connector.connect(**DB_CONFIG)
    
    # 3. Haal alle data op (historie + toekomstig weer)
    werk_df = haal_data_uit_database(conn)
    
    if werk_df is not None:
        # 4. Zoek de uren die we moeten voorspellen
        # (Dit zijn de uren waar 'gemiddelde_prijs' NULL is)
        te_voorspellen_tijden = werk_df[werk_df['gemiddelde_prijs'].isnull()].index
        
        print(f"\n🧠 Start iteratieve voorspelling voor {len(te_voorspellen_tijden)} uur...")
        
        voorspellingen = []
        
        # 5. De Voed-Terug-Lus
        for timestamp in te_voorspellen_tijden:
            # a. Maak features voor dit uur (gebruikt data van vorige uren)
            features_nu = maak_features_voor_uur(werk_df, timestamp)
            
            # b. Maak de voorspelling
            voorspelde_prijs = model.predict(features_nu)[0]
            
            # c. VOED TERUG: Sla de voorspelling op in het 'werkblad'
            # zodat het volgende uur deze kan gebruiken!
            werk_df.loc[timestamp, 'gemiddelde_prijs'] = voorspelde_prijs
            
            # d. Sla op voor het eindresultaat
            voorspellingen.append(voorspelde_prijs)
            
        # 6. Toon de resultaten
        print("\n" + "="*70)
        print(f"--- VOORSPELDE PRIJZEN (komende {len(te_voorspellen_tijden)} uur) ---")
        
        resultaat_df = pd.DataFrame({
            'Voorspelde_Prijs': voorspellingen
        }, index=te_voorspellen_tijden)
        
        print(resultaat_df)
        print("="*70)

except Error as e:
    print(f"❌ Fout met MySQL verbinding: {e}")
except FileNotFoundError:
    print(f"❌ Fout: Model bestand '{MODEL_FILE}' niet gevonden.")
except Exception as e:
    print(f"❌ Een onverwachte fout is opgetreden: {e}")
finally:
    if 'conn' in locals() and conn.is_connected():
        conn.close()
        print("\nVerbinding met MySQL gesloten.")