# -*- coding: utf-8 -*-

import pyproj
import os
import pandas as pd

directory_path = 'Y:\MISSIONS\Eau\8 - Projet recherche Célé\Lucie\Science\Canoo\continuum Ce guillaume 2020\dossier_brut_2020'

dataframes = []

for filename in os.listdir(directory_path):
    if filename.endswith('.csv'):
        file_path = os.path.join(directory_path, filename)
        df = pd.read_csv(file_path, delimiter=',', skiprows=18, parse_dates=[0])
        dataframes.append(df)

merged_dataframe = pd.concat(dataframes, ignore_index=True)
merged_dataframe.sort_values(by=['Date Heure'], inplace=True)
merged_dataframe.reset_index(drop=True, inplace=True)



columns_to_suppress_indices = [4, 5, 7, 9, 10, 11, 12, 21, 22]

if max(columns_to_suppress_indices) >= len(merged_dataframe.columns):
    print("Invalid column index found.")
else:
    df_suppressed = merged_dataframe.drop(merged_dataframe.columns[columns_to_suppress_indices], axis=1)
   
#supprimer les données manquantes
#df_suppressed.dropna(subset=['Latitude (°)', 'Longitude (°)'], inplace=True)  

# Define the coordinate systems
wgs84 = pyproj.CRS("EPSG:4326")
lambert93 = pyproj.CRS("EPSG:2154")

# Create the Transformer to perform the conversion
transformer = pyproj.Transformer.from_crs(wgs84, lambert93, always_xy=True)

# Function to convert WGS84 to Lambert 93 for the entire DataFrame
def convert_to_lambert93(row):
    x, y = transformer.transform(row["Longitude (°)"], row["Latitude (°)"])
    row["Lambert_X"] = x
    row["Lambert_Y"] = y
    return row

# Apply the conversion to the entire DataFrame row-wise
df_suppressed = df_suppressed.apply(convert_to_lambert93, axis=1)

print(df_suppressed)



#alors il faut ensuit calculer l'hypothénuse entre chacun de mes points : peut être résolu de façon booléenne
def distance_entre_points(x1, y1, x2, y2):
    distance = ((x2 - x1)**2 + (y2 - y1)**2) ** 0.5
    return distance

# Créer une nouvelle colonne 'Distance' dans le DataFrame
df_suppressed['Distance'] = 0.0

# Créer une nouvelle colonne 'Distance Cumulative' pour la somme cumulative des distances
df_suppressed['Distance Cumulative'] = 0.0

# Variable pour garder la somme cumulative des distances
cumulative_distance = 0.0

    
for i in range(len(df_suppressed) - 3):
    x1, y1 = df_suppressed.loc[i, 'Lambert_X'], df_suppressed.loc[i, 'Lambert_Y']
    x2, y2 = df_suppressed.loc[i + 1, 'Lambert_X'], df_suppressed.loc[i + 1, 'Lambert_Y']
    distance = distance_entre_points(x1, y1, x2, y2)
    df_suppressed.loc[i + 1, 'Distance'] = distance
    cumulative_distance += distance
    df_suppressed.loc[i + 1, 'Distance Cumulative'] = cumulative_distance

# Afficher le DataFrame avec les colonnes 'Distance' et 'Distance Cumulative' mises à jour
print(df_suppressed)

df_suppressed.to_csv('Y:\MISSIONS\Eau\8 - Projet recherche Célé\Lucie\continuum\continuum lucie + fabs + steph\df_suppressedbrut_bon_dernier.csv', index=False)
#faire les graohs des paramètres en fonction de la distance  = variations des paramètres

#Essayer tous les paramètres 
#comparer avec les données de 2020. 
#corriger la pression de la baro.

#Donc changement de stratégie. Je vais essayer de retrouver les données GPS manquante par interpolation de celle-ci.
#Pour cela on va faire un travail en sept étapes:
#    1. Sur Qgis exporter un fichier csv. du cours d'eau sous forme de points avec les coordonnées GPS en Lambert 93. 
#    2. J'importe ce nouveau csv dans Python et je calcule la distance entre chaque points sur toute ma rivière. 
 #   3. A partir de là je calcul la distance cumulative entre chacun de mes points sur tous mon cours d'eau.
 #   4. Ensuite je regarde à la mano là où j'ai des trous. Je calcul sur Qgis la distance manquante de point GPS 
  #  5. Distance manquante / nombres de mesures = distance entre chaque points de mesure (exemple 2m)
   # 6. Je calcul la distance cumulative au niveau de mes trous 
    #7. Je vais chercher dans le tableau 1 le coordonnée GPS correspondant à la distance cumulative similaire. 
    #8. Le tour est joué.