import pandas as pd
import numpy as np

def apply_scenarios(data, taux_directeur_change, pib_change, m2_change):
    """
    Applique les scénarios de modification des variables macroéconomiques
    """
    modified_data = data.copy()
    
    modified_data['Taux directeur'] = modified_data['Taux directeur'] * (1 + taux_directeur_change/100)
    modified_data['Taux de croissance du PIB'] = modified_data['Taux de croissance du PIB'] * (1 + pib_change/100)
    modified_data['Masse monétaire M2'] = modified_data['Masse monétaire M2'] * (1 + m2_change/100)
    
    return modified_data

def calculate_metrics(y_true, y_pred):
    """
    Calcule les métriques d'évaluation du modèle
    """
    from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
    
    mae = mean_absolute_error(y_true, y_pred)
    rmse = np.sqrt(mean_squared_error(y_true, y_pred))
    r2 = r2_score(y_true, y_pred)
    
    return {
        'mae': mae,
        'rmse': rmse,
        'r2': r2
    }

def prepare_prediction_results(dates, y_true, y_pred):
    """
    Prépare les résultats de prédiction pour l'affichage
    """
    results = pd.DataFrame({
        'Date': dates,
        'Inflation réelle': y_true,
        'Inflation prédite': y_pred
    })
    
    return results