import numpy as np
import pandas as pd
import scipy
from scipy.signal import butter, lfilter


def __create_constants(low: float, high: float, sample_rate: float, order: int) -> tuple[float, float]:
    """Вычисление констан полосового фильтра (Баттерворта)

    Args:
        low (float): нижняя чатсота среза
        high (float): верхняя частота среза
        sample_rate (float): частота дискретизации
        order (int): порядок фильтра

    Returns:
        tuple[float, float]: константы фильтра, необходимые для вычислений
    """
    return butter(order, [low, high], fs=sample_rate, btype="band")


def filter_signal(df: pd.DataFrame, cols: list[str], constants: tuple[float, float]) -> pd.DataFrame:
    """Фильтрация датасета (сигналов с датчиков)

    Args:
        df (pd.DataFrame): датафрейм с данными из OpenVibe
        cols (list[str]): список колонок, данные в которых нужно отфильтровать
        constants (tuple[float, float]): константы для вычисления фильтра (см. __create_constants)

    Returns:
        pd.DataFrame: входной фрейм с данными, с примененным фильтром
    """
    new_df = df.copy()
    for col in cols:
        new_df[col] = lfilter(*constants, df[col].values)

    return new_df


class CSPFilter:
    """
    Реализация CSP фильтра в стиле sklearn.
    Основано на реализации github.co/Hiroaki-K4/total_perspective_vortex/main/srcs/csp.py
    """

    def __init__(self, n_components: int) -> None:
        self.n_components = n_components
        self.classes = None
        self.filters = None
        self.patterns = None
        self.mean = None
        self.std = None

    def __get_covariate(self, x: np.ndarray, y: np.ndarray, cls: any) -> np.ndarray:
        """Получение ковариаций

        Args:
            x (np.ndarray): отсчеты сигнала
            y (np.ndarray): метки класса
            cls (any): текущий класс

        Returns:
            np.ndarray: матрица ковариаций
        """

        x_class = x[y == cls]
        _, _, n_channels = x_class.shape
        # x_class = np.transpose(x_class, [1, 0, 2])
        x_class = x_class.reshape(n_channels, -1)
        cov = np.dot(x_class, x_class.T)
        return cov

    def fit(self, x: np.ndarray, y: np.ndarray) -> None:
        """Обучение фильтра

        Args:
            x (np.ndarray): отсчеты сигнала (числа)
            y (np.ndarray): метки класса (любые данные)
        """
        self.classes = np.unique(y)
        n_classes = len(self.classes)
        if n_classes != 2:
            raise ValueError(f"Количество классов для CSP должно быть = 2 (получено {n_classes})")

        cov_neg = self.__get_covariate(x, y, self.classes[0])
        cov_pos = self.__get_covariate(x, y, self.classes[1])

        eig_vals, eig_vecs = scipy.linalg.eigh(cov_neg, cov_pos)
        for i in range(len(eig_vecs)):
            eig_vecs[i] = eig_vecs[i] / np.linalg.norm(eig_vecs[i])

        sorted_vals = np.argsort(eig_vals)
        idxs = np.empty_like(sorted_vals)
        idxs[0::2] = sorted_vals[len(sorted_vals) // 2 :][::-1]
        idxs[1::2] = sorted_vals[: len(sorted_vals) // 2]

        eig_vecs = eig_vecs[:, idxs]
        self.filters = eig_vecs.T
        self.patterns = np.linalg.inv(eig_vecs)
        pick_filters = self.filters[:, self.n_components]

        x = np.asarray([np.dot(pick_filters, epoch.T) for epoch in x])
        x = (x**2).mean(axis=1)
        self.mean = x.mean(axis=0)
        self.std = x.std(axis=0)

    def transform(self, x: np.ndarray) -> np.ndarray:
        """Применение фильтра

        Args:
            x (np.ndarray): отсчеты сигнала (числа)

        Returns:
            np.ndarray: вторичные параметры (фичи)
        """
        pick_filters = self.filters[: self.n_components]
        x = np.asarray([np.dot(pick_filters, epoch.T) for epoch in x])
        x = (x**2).mean(axis=1)
        x -= self.mean
        x /= self.std
        return x

    def fit_transform(self, x: np.ndarray, y: np.ndarray) -> np.ndarray:
        """Обучение с последующим применением ко входным данным

        Args:
            x (np.ndarray): отсчеты сигнала (числа)
            y (np.ndarray): метки класса (любые данные)

        Returns:
            np.ndarray: вторичные параметры (фичи)
        """
        self.fit(x, y)
        return self.transform(x)