import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score


def f(x):
    a = theta4
    b = theta5 * X1_new + theta2
    c = theta0 + theta1 * x + theta3 * x * x
    X2_new_boundary1 = (-b + np.sqrt(b * b - 4 * a * c)) / (2 * a)
    X2_new_boundary2 
 
= (-b - np.sqrt(b * b - 4 * a * c)) / (2 * a)
    return X2_new_boundary1, X2_new_boundary2


if __name__ == '__main__':
    '''
           邏輯迴歸
       '''
    # load the data
    data = pd.read_csv('')
    data.head()
    '''
        第一次檢視所有資料
    '''
    # visualize the data
    fig1 = plt.figure()
    plt.scatter(data.loc[:, 
 
'example1'], data.loc[:, 'example2'])  # .......匯入資料
    plt.title('example1-example2')  # 設定表名
    plt.xlabel('example1')  # 設定X座標軸
    plt.ylabel('example2')  # 設定Y座標軸
    plt.show()  # 檢視影象
    '''
        第二次檢視帶有正確錯誤標識的資料
    '''
    # add label mask
    mask = data.loc[:, 'pass'] == 1
    fig2 
 
= plt.figure()
    passed = plt.scatter(data.loc[:, 'example1'][mask], data.loc[:, 'example2'][mask])  # .......匯入資料
    failed = plt.scatter(data.loc[:, 'example1'][~mask], data.loc[:, 'example2'][~mask])  # .......匯入資料
    plt.title('example1-example2')  # 設定表名
    plt.xlabel('example1')  # 設定X座標軸
    plt.ylabel('example2')  # 設定Y座標軸
    plt.legend((passed, failed), ('passed', 'failed'))
    plt.show()  # 檢視影象

    # define X,Y
    X = data.drop(['pass'], axis=1)
    y = data.loc[:, 'pass']
    y.head  # 檢視資料
    X1 = data.loc[:, 'example1']
    X2 = data.loc[:, 'example2']

    X1_2 = X1 * X1
    X2_2 = X2 * X2
    X1_X2 = X1 * X2
    X_new = {'X1': X1, 'X2': X2, 'X1_2': X1_2, 'X2_2': X2_2, 'X1_X2': X1_X2}
    X_new = pd.DataFrame(X_new)
    print(X_new)

    # 建立新的訓練
    LR2 = LogisticRegression()
    LR2.fit(X_new, y)
    y2_predict = LR2.predict(X_new)  # 預測
    accuracy2 = accuracy_score(y, y2_predict)
    print(accuracy2)
    X1_new = X1.sort_values()  # 從小到大排序
    theta0 = LR2.intercept_
    theta1, theta2, theta3, theta4, theta5 = LR2.coef_[0][0], LR2.coef_[0][1], LR2.coef_[0][2], LR2.coef_[0][3], \
                                             LR2.coef_[0][4]
    # 製作曲線引數
    a = theta4
    b = theta5 * X1_new + theta2
    c = theta0 + theta1 * X1_new + theta3 * X1_new * X1_new
    X2_new_boundary = (-b + np.sqrt(b * b - 4 * a * c)) / (2 * a)

    fig4 = plt.figure()
    passed = plt.scatter(data.loc[:, 'example1'][mask], data.loc[:, 'example2'][mask])  # .......匯入資料
    failed = plt.scatter(data.loc[:, 'example1'][~mask], data.loc[:, 'example2'][~mask])  # .......匯入資料
    plt.plot(X1_new, X2_new_boundary)
    plt.title('example1-example2')  # 設定表名
    plt.xlabel('example1')  # 設定X座標軸
    plt.ylabel('example2')  # 設定Y座標軸
    plt.legend((passed, failed), ('passed', 'failed'))
    plt.show()  # 檢視影象
    '''
        如果在這裡使用二階線性迴歸，那麼只有一半的資料能被隔離開
        也就是說忽略了X的第二種結果
        接下來就是加上這種結果的第二條曲線
    '''

    '''
        正確方法
    '''


    # define f(x)   --> 8


    X2_new_boundary1 = []
    X2_new_boundary2 = []
    for x in X1_new:
        X2_new_boundary1.append(f(x)[0])
        X2_new_boundary2.append(f(x)[1])
    print(X2_new_boundary1, X2_new_boundary2)

    fig5 = plt.figure()
    passed = plt.scatter(data.loc[:, 'example1'][mask], data.loc[:, 'example2'][mask])  # .......匯入資料
    failed = plt.scatter(data.loc[:, 'example1'][~mask], data.loc[:, 'example2'][~mask])  # .......匯入資料
    plt.plot(X1_new, X2_new_boundary1)
    plt.plot(X1_new, X2_new_boundary2)
    plt.title('example1-example2')  # 設定表名
    plt.xlabel('example1')  # 設定X座標軸
    plt.ylabel('example2')  # 設定Y座標軸
    plt.legend((passed, failed), ('passed', 'failed'))
    plt.show()  # 檢視影象
    '''
        你會發現雖然你補上了另外一個X值，但是兩個X對應的曲線並沒有連在一起
        
        這是因為數之間本來就是有間隔的，不全，所以連不上，這時候需要我們把他補全 
    '''

    X1_range = [-0.9 + x / 10000 for x in range(0, 19000)]
    X1_range = np.array(X1_range)
    X2_new_boundary1 = []
    X2_new_boundary2 = []
    for x in X1_new:
        X2_new_boundary1.append(f(x)[0])
        X2_new_boundary2.append(f(x)[1])
    fig5 = plt.figure()
    passed = plt.scatter(data.loc[:, 'example1'][mask], data.loc[:, 'example2'][mask])  # .......匯入資料
    failed = plt.scatter(data.loc[:, 'example1'][~mask], data.loc[:, 'example2'][~mask])  # .......匯入資料
    plt.plot(X1_range, X2_new_boundary1)
    plt.plot(X1_range, X2_new_boundary2)
    plt.title('example1-example2')  # 設定表名
    plt.xlabel('example1')  # 設定X座標軸
    plt.ylabel('example2')  # 設定Y座標軸
    plt.legend((passed, failed), ('passed', 'failed'))
    plt.show()  # 檢視影象