import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from scipy.interpolate import make_interp_spline
from sklearn.cluster import DBSCAN

# === Chargement des données ===
chemin_fichier = "data.xlsx"
df = pd.read_excel(chemin_fichier)

# === Filtrer les sources ===
df = df[df["type"].str.lower() == "source"]
df = df.dropna(subset=["c25°C ", "Nom"])

# === Couleurs par source ===
couleurs_sources = {
    "Bullac": "#D77D00",
    "Corn": "#A1C935",
    "Bual": "#F5D200",
    "La diège": "#9271EA",
    "Ayrissac": "#EB64C3",
    "Pito": "#D52117",
    "Ressel": "#1DC6C3",
    "Marchepied": "#3FB94D",
    "Anglades": "#0084C9",
    "Liauzu": "#431D84",
    "Pescalerie": "#D8676B",
    "Sagne": "tab:purple",
}

# === Paramètres DBSCAN ===
eps_val = 5
min_samples_val = 1

# === Clustering dynamique par source ===
clusters_data = []

for nom in df["Nom"].unique():
    sub_df = df[df["Nom"] == nom].copy()
    X = sub_df[["c25°C "]].to_numpy()

    db = DBSCAN(eps=eps_val, min_samples=min_samples_val).fit(X)
    sub_df["cluster"] = db.labels_

    grouped = (
        sub_df.groupby("cluster")
        .agg(
            conductivite_min=("c25°C ", "min"),
            conductivite_max=("c25°C ", "max"),
            conductivite_moyenne=("c25°C ", "mean"),
            effectif=("c25°C ", "count")
        )
        .reset_index(drop=True)
    )

    grouped["frequence_normalisee"] = grouped["effectif"] / grouped["effectif"].sum()
    grouped["Nom"] = nom
    clusters_data.append(grouped)

# === Fusion des résultats ===
df_clusters = pd.concat(clusters_data, ignore_index=True)

# === Ordre des sources ===
noms_ordonnes = [
    "Sagne", "Ressel", "Pito", "Pescalerie", "Marchepied",
    "Liauzu", "La diège", "Corn", "Bullac", "Bual", "Ayrissac", "Anglades"
]
sources_disponibles = set(df_clusters["Nom"].unique())
noms_valides = [nom for nom in noms_ordonnes if nom in sources_disponibles]

# === Tracé du graphique 3D ===
fig = plt.figure(figsize=(20, 12))
ax = fig.add_subplot(111, projection='3d')

y_spacing = 4.0

for idx, nom in enumerate(reversed(noms_valides)):
    df_nom = df_clusters[df_clusters["Nom"] == nom].sort_values("conductivite_moyenne")
    if df_nom.empty:
        continue

    xs_min = df_nom["conductivite_min"].to_numpy()
    xs_max = df_nom["conductivite_max"].to_numpy()
    xs_center = df_nom["conductivite_moyenne"].to_numpy()
    ys = df_nom["frequence_normalisee"].to_numpy()
    color = couleurs_sources.get(nom, "gray")
    y_val = (len(noms_valides) - 1 - idx) * y_spacing

    x_curve = []
    y_curve = []

    for i in range(len(xs_center)):
        # Pic trapézoïdal
        x_curve.extend([xs_min[i], xs_center[i], xs_max[i]])
        y_curve.extend([0, ys[i], 0])

        # Relier à la suivante si les clusters sont très proches
        if i < len(xs_center) - 1 and xs_min[i + 1] - xs_max[i] <= 1.5:
            x_curve.extend([xs_max[i], xs_min[i + 1]])
            y_curve.extend([0, 0])
           
    # Ajout d'un point d’ancrage à gauche (252 µS/cm) à z=0
    x_curve = [525] + x_curve
    y_curve = [0] + y_curve

    # Ajouter un point final à la courbe à droite (limite max de l'axe X)
    xlim_max = df_clusters["conductivite_max"].max() + 10
    x_curve.append(xlim_max)
    y_curve.append(0)
   
    # Tracé 3D
    ax.plot(x_curve, [y_val] * len(x_curve), y_curve, color=color, linewidth=2, alpha=0.8)

    # Affichage du nom de la source
    ax.text(
        x=df_clusters["conductivite_moyenne"].min() - 30,
        y=y_val,
        z=0,
        s=nom,
        color=color,
        fontsize=10,
        ha='right',
        va='center'
    )

# === Configuration finale du graphique ===
ax.set_yticks([])
ax.set_xlabel("Conductivité (c25°C, µS/cm)", labelpad=15)
ax.set_ylabel("")
ax.set_zlabel("Fréquence normalisée", labelpad=10)
ax.set_title("Courbes 3D type histogrammes par source (pics trapézoïdaux DBSCAN)", pad=20)

ax.set_xlim(525, df_clusters["conductivite_max"].max() + 10)
ax.set_ylim(-y_spacing, len(noms_valides) * y_spacing)
ax.set_zlim(0, 1)
ax.view_init(elev=10, azim=-120)

plt.tight_layout()
plt.show()