#ライブラリのインポート
import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline
import random
random.seed(0)
import copy

#　データ可視化のライブラリ
import seaborn as sns
#最大表示列数の指定（ここでは100列を指定） 
pd.set_option('display.max_columns',100)

# floatの表示方法を、小数点以下2桁で設定する処理
pd.options.display.float_format = '{:.2f}'.format

#データの読み込み
# data →　呼び出すデータのファイル名
# train_data.csv → 読み込むファイル名
data = pd.read_csv("data/train_data.csv")

#データの確認
data.head()

#データ数確認
data.shape

#データ情報の要約確認
data.info()

#データ統計要約確認
data.describe()

#ダミー変数作成する方法 
#性別、年代　→　ダミー変数にしたいカラム名を選択すればよい
data.pd.get_dummies(data,drop_first = True, columns = ["性別", "年代"])

#ElbowMethodで最適なクラスター数を求める方法

#空の箱を作る
distortions = []

# 1-10クラスタまで計算
for i in range(1,11):
    #クラスタリングの計算式作成
    km = KMeans(n_clusters = i, random_state = 1234)
    #クラスタリングの計算実施
    km.fit(data)
    #km.fitするとkm.inertia_が得られる
    distortions.append(km.inertia_)

#グラフを作成する（わかりやすくするため）
plt.plot(range(1,11),distortions, marker = "o")
#X軸のラベル作成
plt.xlabel("Number of clusters")
#Y軸のラベル作成
plt.ylabel("Distortion")
#グラフ出力
plt.show()

# K-meeansを実施する
# K-meansでクラスターラベルを付与していく

# K-meansライブラリを呼び出す
from sklearn.cluster import KMeans

#モデルを初期化
##今回はクラスター数 [5]とした。
## random_state =1234　→　毎回同じランダムをしてもらうため
km = KMeans(n_clusters = 5, random_state = 1234)

#学習は教師ありと同じように　model.fit(data)で実行する
km.fit(data)

#ラベルを付与する場合も教師あり同様にmodel.predeict(data)で実行する
cluster_label = km.predict(data)

# コピーするためのライブラリを呼び出す
import copy
#データをコピーする
data_with_cluster_label = copy.copy(data)
#
data_with_cluster_label["cluster_label"] = cluster_label

# ラベルが付与されているか確認
data_with_cluster_label.head()

#データをコピーする（元データ保護のため）
data_with_cluster_label = copy.copy(data)
#クラスターラベルを表に追加する
data_with_cluster_label["cluster_label"] = cluster_label
#クラスターラベルが表に追加されているかを確認する
data_with_cluster_label.head()

#エクセルに出力する
data_with_cluster_label.to_excel("data/kmeans_result.xlsx", index=False, encoding='cp932')