import requests
import zipfile
import os
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler, LabelEncoder
import matplotlib.pyplot as plt
import matplotlib
import numpy as np


def main():
    # 设置支持中文的字体（例如：SimHei 字体）
    matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 或使用 'Microsoft YaHei'
    matplotlib.rcParams['axes.unicode_minus'] = False  # 防止负号显示为方块

    # 获取数据资源 URL（选择最新版本的 ZIP 文件）
    url = "https://datasets.wri.org/private-admin/dataset/53623dfd-3df6-4f15-a091-67457cdb571f/resource/66bcdacc-3d0e-46ad-9271-a5a76b1853d2/download/globalpowerplantdatabasev130.zip"

    # 下载 ZIP 文件
    response = requests.get(url)
    zip_path = "global_power_plant_data.zip"
    with open(zip_path, 'wb') as file:
        file.write(response.content)

    # 解压 ZIP 文件
    with zipfile.ZipFile(zip_path, 'r') as zip_ref:
        zip_ref.extractall("data")

    # 确保解压后的文件名和路径
    csv_file = "data/global_power_plant_database.csv"
    if not os.path.exists(csv_file):
        print(f"错误: 文件 {csv_file} 不存在!")
        return

    # 加载解压后的 CSV 数据
    data = pd.read_csv(csv_file, dtype={'other_fuel3': str})

    # 数据预处理
    data.fillna(0, inplace=True)  # 用 0 填充缺失值

    # 确保 'owner' 列的类型统一为字符串类型
    data['owner'] = data['owner'].astype(str)

    # 对分类列进行编码（例如 primary_fuel, owner）
    label_encoder = LabelEncoder()
    data['primary_fuel'] = label_encoder.fit_transform(data['primary_fuel'])
    data['owner'] = label_encoder.fit_transform(data['owner'])

    # 确保发电量列存在并计算总发电量
    generation_columns = ['generation_gwh_2013', 'generation_gwh_2014', 'generation_gwh_2015',
                          'generation_gwh_2016', 'generation_gwh_2017']

    # 确保所有发电量列都存在
    missing_cols = [col for col in generation_columns if col not in data.columns]
    if missing_cols:
        print(f"警告: 缺少以下列: {', '.join(missing_cols)}")
        return

    # 聚合不同年份的发电数据
    data['total_generation'] = data[generation_columns].sum(axis=1)

    # 清理数据，移除异常值
    data = data[(data['capacity_mw'] > 0) & (data['capacity_mw'] < 5000)]  # 假设容量过大或过小的数据无效
    data = data[data['total_generation'] >= 0]  # 确保发电量是正数

    # 再次检查数据的统计信息
    print(data.describe())

    # 选择特征（X）和目标变量（y）
    X = data[['capacity_mw', 'latitude', 'longitude', 'primary_fuel', 'total_generation']]
    y = data['generation_gwh_2017']  # 预测目标：2017年的发电量

    # 将数据分割为训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 特征标准化
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)

    # 初始化并训练随机森林回归模型
    model = RandomForestRegressor(n_estimators=100, random_state=42)
    model.fit(X_train_scaled, y_train)

    # 在测试集上进行预测
    y_pred = model.predict(X_test_scaled)

    # 评估模型
    mse = mean_squared_error(y_test, y_pred)
    rmse = mse ** 0.5
    print(f"均方根误差（RMSE）：{rmse}")

    # 可视化预测值与实际值，使用不同颜色标记
    plt.scatter(y_test, y_pred, color='blue', label='预测发电量', alpha=0.6)
    plt.scatter(y_test, y_test, color='red', label='实际发电量', alpha=0.6)
    plt.xlabel('实际发电量 (GWh)')
    plt.ylabel('预测发电量 (GWh)')
    plt.title('实际 vs 预测发电量')
    plt.legend()
    plt.show()

    # 交叉验证（例如使用10折交叉验证）
    cv_scores = cross_val_score(model, X_train_scaled, y_train, cv=10, scoring='neg_mean_squared_error')

    # 检查是否存在 NaN 值
    if np.any(np.isnan(cv_scores)):
        print("警告: 交叉验证中发现 NaN 值，可能由数据问题导致。")

    # 输出交叉验证的每折得分（RMSE）
    print("交叉验证的每折结果（负均方误差）：")
    for i, score in enumerate(cv_scores, 1):
        if np.isnan(score):
            print(f"折 {i}: 无效得分")
        else:
            print(f"score: {score}")
            print(f"折 {i}: {(-score) ** 0.5:.4f} RMSE")

    # 输出交叉验证的平均RMSE
    mean_rmse = (-cv_scores.mean()) ** 0.5
    print(f"交叉验证的平均RMSE：{mean_rmse:.4f}")

    # 可视化交叉验证结果
    plt.figure(figsize=(8, 6))
    plt.plot(range(1, 11), -cv_scores, marker='o', label='每折负均方误差')
    plt.xlabel('折数')
    plt.ylabel('负均方误差')
    plt.title('交叉验证结果（每折负均方误差）')
    plt.xticks(range(1, 11))
    plt.legend()
    plt.grid(True)
    plt.show()

if __name__ == "__main__":
    main()