import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

def load_and_preprocess_data():
    """Charge les données sans renommer les colonnes"""
    try:
        data = pd.read_csv("inflation_beac_complet_2010_2025.csv")
        data['Année'] = pd.to_datetime(data['Année'], format='%Y').dt.strftime('%Y-%m-%d')
        
        # Nettoyage
        data = data.dropna()
        
        # Normalisation (en utilisant les noms exacts des colonnes)
        scaler = MinMaxScaler()
        numeric_cols = [
            "Taux d'inflation (%)",
            "Taux directeur", 
            "Masse monétaire (M2)",
            "Croissance PIB (%)",
            "Balance commerciale",
            "Taux de change FCFA/USD"
        ]
        data[numeric_cols] = scaler.fit_transform(data[numeric_cols])
        
        return data
    except Exception as e:
        raise ValueError(f"Erreur de prétraitement: {str(e)}")

def prepare_timeseries_data(data, country, start_date, end_date, look_back=12):
    """Prépare les séries temporelles avec vos noms de colonnes"""
    try:
        country_data = data[data['Pays'] == country]
        filtered_data = country_data[
            (country_data['Année'] >= str(start_date)) & 
            (country_data['Année'] <= str(end_date))
        ].sort_values('Année')
        
        # Préparation des séquences
        X, y = [], []
        for i in range(look_back, len(filtered_data)):
            X.append(filtered_data.iloc[i-look_back:i][[
                "Taux d'inflation (%)",
                "Masse monétaire (M2)",
                "Croissance PIB (%)",
                "Taux directeur",
                "Balance commerciale",
                "Taux de change FCFA/USD"
            ]].values)
            y.append(filtered_data.iloc[i]["Taux d'inflation (%)"])
        
        X = np.array(X)
        y = np.array(y)
        
        # Séparation train/test
        X_train, X_test, y_train, y_test = train_test_split(
            X, y, test_size=0.2, shuffle=False
        )
        
        return X_train, X_test, y_train, y_test, filtered_data
    
    except Exception as e:
        raise ValueError(f"Erreur de préparation des données: {str(e)}")

def apply_scenarios(data, taux_directeur_change, pib_change, m2_change):
    """Applique les scénarios avec vos noms de colonnes exacts"""
    try:
        modified_data = data.copy()
        
        # Application des modifications
        modified_data["Taux directeur"] = modified_data["Taux directeur"] * (1 + taux_directeur_change/100)
        modified_data["Croissance PIB (%)"] = modified_data["Croissance PIB (%)"] * (1 + pib_change/100)
        modified_data["Masse monétaire (M2)"] = modified_data["Masse monétaire (M2)"] * (1 + m2_change/100)
        
        return modified_data
    
    except Exception as e:
        raise ValueError(f"Erreur d'application des scénarios: {str(e)}")