import streamlit as st
import requests
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime, timedelta
from sklearn.metrics import mean_squared_error

# Fonction pour récupérer les prix historiques
def get_crypto_prices(coins, start_time, end_time, interval='m15'):
    prices = {}
    for coin, coin_id in coins.items():
        url = f'https://api.coincap.io/v2/assets/{coin_id}/history'
        params = {
            'interval': interval,
            'start': int(start_time.timestamp() * 1000),
            'end': int(end_time.timestamp() * 1000)
        }
        response = requests.get(url, params=params)
        if response.status_code == 200:
            data = response.json().get('data', [])
            prices[coin] = [[int(item['time']), float(item['priceUsd'])] for item in data]
            if data:
                prices[coin].append([int(end_time.timestamp() * 1000), float(data[-1]['priceUsd'])])
        else:
            st.error(f"Erreur lors de la récupération des prix pour {coin}: {response.status_code}")
            st.write(response.text)  # Debug pour afficher l'erreur complète
    return prices

# Fonction pour prédire les tendances basées sur les patterns
def predict_patterns(data, future_hours=24):
    df = pd.DataFrame(data, columns=["timestamp", "price"])
    df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")
    df.set_index("timestamp", inplace=True)

    last_timestamp = df.index[-1]
    future_timestamps = [last_timestamp + timedelta(hours=i) for i in range(1, future_hours + 1)]

    last_price = df["price"].iloc[-1]
    trend = (df["price"].iloc[-1] - df["price"].iloc[0]) / len(df)
    sma = df["price"].rolling(window=10).mean().iloc[-1]
    ema = df["price"].ewm(span=10, adjust=False).mean().iloc[-1]
    cycle_amplitude = (df["price"].max() - df["price"].min()) / 2
    mean_price = df["price"].mean()

    # Prédictions initiales (Courbe jaune)
    predictions = {
        "Trend": [last_price + i * trend for i in range(1, len(future_timestamps) + 1)],
        "SMA": [sma] * len(future_timestamps),
        "EMA": [ema] * len(future_timestamps),
        "Cycle": [
            last_price + cycle_amplitude * np.sin(2 * np.pi * i / len(future_timestamps))
            for i in range(len(future_timestamps))
        ]
    }

    return predictions, future_timestamps

# Fonction pour rechercher un pattern similaire
def find_similar_pattern(df, prediction, future_hours=24):
    # Calculer la similarité entre la courbe prédite et les patterns passés
    mse_scores = {}
    for i in range(len(df) - future_hours):  # Exclure la dernière période pour éviter la correspondance avec elle-même
        past_pattern = df["price"].iloc[i:i + future_hours].values
        mse = mean_squared_error(past_pattern, prediction[:len(past_pattern)])
        mse_scores[i] = mse

    # Trouver l'indice du pattern le plus similaire
    best_match_index = min(mse_scores, key=mse_scores.get)
    similar_pattern = df["price"].iloc[best_match_index:best_match_index + future_hours].values
    return similar_pattern

# Fonction pour générer une prédiction dynamique (Courbe verte)
def generate_dynamic_prediction(df, initial_prediction, future_hours=24):
    green_prediction = []

    # Première prédiction
    green_prediction.extend(initial_prediction)

    # Boucle pour ajuster la prédiction à chaque étape
    for i in range(future_hours // 5):  # Prédiction par segments de 5 heures
        start_idx = i * 5
        end_idx = (i + 1) * 5

        # Prendre les 5 dernières valeurs et chercher un pattern similaire
        similar_pattern = find_similar_pattern(df, green_prediction[start_idx:end_idx], future_hours=5)

        # Ajouter le pattern similaire à la prédiction
        green_prediction.extend(similar_pattern)

    # Création des timestamps de prévision pour la courbe verte
    future_timestamps = pd.date_range(start=df.index[-1], periods=len(green_prediction) + 1, freq='H')[1:]
    
    return green_prediction, future_timestamps

# Configuration des dates
end_time = datetime.now()
start_time = end_time - timedelta(days=7)  # Plage sur les 7 derniers jours

# Liste des cryptos avec leurs IDs corrects sur CoinCap
coins = {
    "Bitcoin": "bitcoin",
    "Ripple": "xrp",
    "Ethereum": "ethereum",
    "Tether": "tether",
    "Stellar": "stellar"
}

# Récupération des prix
crypto_prices = get_crypto_prices(coins, start_time, end_time)

# Affichage des graphiques
st.title("Analyse et Prédictions des Cryptos avec Patterns")
for coin, price_data in crypto_prices.items():
    if price_data:
        df = pd.DataFrame(price_data, columns=["timestamp", "price"])
        df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")

        # Générer les prédictions initiales (jaune)
        predictions, future_timestamps = predict_patterns(price_data, future_hours=24)
        
        # Sélectionner une prédiction (par exemple Trend)
        initial_prediction = predictions["Trend"]

        # Générer la prédiction dynamique (verte)
        green_prediction, green_future_timestamps = generate_dynamic_prediction(df, initial_prediction, future_hours=24)

        # Affichage des résultats
        st.write(f"#### {coin} - Prix et Prédictions")
        fig, ax = plt.subplots(figsize=(12, 6))
        ax.plot(df["timestamp"], df["price"], label="Prix réel", color="blue")

        # Courbe de prédiction initiale (jaune)
        ax.plot(future_timestamps, initial_prediction, label="Prédiction initiale (jaune)", linestyle="--", color="yellow")

        # Courbe de prédiction dynamique (verte)
        ax.plot(green_future_timestamps, green_prediction, label="Prédiction dynamique (verte)", linestyle="--", color="green")

        ax.set_title(f"{coin} - Prix (7 derniers jours + 24h prévus)")
        ax.set_xlabel("Date")
        ax.set_ylabel("Prix (USD)")
        ax.legend()
        st.pyplot(fig)