from data_provider.data_factory import data_provider
from exp.exp_basic import Exp_Basic
from utils.tools import EarlyStopping, adjust_learning_rate, visual
from utils.metrics import metric
import torch
import torch.nn as nn
from torch import optim
import os
import time
import warnings
import numpy as np

warnings.filterwarnings('ignore')

#定义类，，并继承基类Exp_Basic
class Exp_Imputation(Exp_Basic):
    #结构函数-类的初始化
    def __init__(self, args):
        super(Exp_Imputation, self).__init__(args)
    #创建模型
    def _build_model(self):
        model = self.model_dict[self.args.model].Model(self.args).float()
        #若是使用多gpu且gpu可用，使用DataParallel打包model
        if self.args.use_multi_gpu and self.args.use_gpu:
            model = nn.DataParallel(model, device_ids=self.args.device_ids)
        return model
    #获取数据集的方法
    def _get_data(self, flag):
        data_set, data_loader = data_provider(self.args, flag)
        return data_set, data_loader
    #选择优化器
    def _select_optimizer(self):
        model_optim = optim.Adam(self.model.parameters(), lr=self.args.learning_rate)
        return model_optim
    #选择损失函数的方法
    def _select_criterion(self):
        criterion = nn.MSELoss()
        return criterion
    #定义验证方法
    def vali(self, vali_data, vali_loader, criterion):
        total_loss = []
        #切换为评估模式
        self.model.eval()
        #开启上下文管理器，关闭梯度计算，节省内存和计算资源
        with torch.no_grad():
            #为每个批次的数据执行模型预测
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(vali_loader):
                #将转化为浮点型的数据加载到cpu或gpu
                batch_x = batch_x.float().to(self.device)
                batch_x_mark = batch_x_mark.float().to(self.device)

                # random mask
                B, T, N = batch_x.shape
                """
                B = batch size
                T = seq len
                N = number of features
                """
                mask = torch.rand((B, T, N)).to(self.device)
                mask[mask <= self.args.mask_rate] = 0  # masked
                mask[mask > self.args.mask_rate] = 1  # remained
                inp = batch_x.masked_fill(mask == 0, 0)

                outputs = self.model(inp, batch_x_mark, None, None, mask)
                #根据特征选择输出结果
                f_dim = -1 if self.args.features == 'MS' else 0
                outputs = outputs[:, :, f_dim:]
                pred = outputs.detach().cpu()
                true = batch_x.detach().cpu()
                mask = mask.detach().cpu()
                #通过预测值、真实值计算损失函数
                loss = criterion(pred[mask == 0], true[mask == 0])
                #将loss添加total_loss列表
                total_loss.append(loss)
        #计算total_loss列表均值 
        total_loss = np.average(total_loss)
        #将模型切换成训练模型
        self.model.train()
        return total_loss

    def train(self, setting):
        #获取数据
        train_data, train_loader = self._get_data(flag='train')
        vali_data, vali_loader = self._get_data(flag='val')
        test_data, test_loader = self._get_data(flag='test')
        #创建模型存储文件
        path = os.path.join(self.args.checkpoints, setting)
        if not os.path.exists(path):
            os.makedirs(path)
        #获取时间戳
        time_now = time.time()
        #训练步长
        train_steps = len(train_loader)
        #早起停止函数，避免过拟合 patience 容忍升高次数
        early_stopping = EarlyStopping(patience=self.args.patience, verbose=True)
        #选择优化器
        model_optim = self._select_optimizer()
        #选择损失函数，这里选择的是MSELoss（均方误差损失）
        criterion = self._select_criterion()
        #根据训练次数循环
        for epoch in range(self.args.train_epochs):
            iter_count = 0
            train_loss = []
            #设置为训练模式
            self.model.train()
            #训练开始时间
            epoch_time = time.time()
            #从训练数据集中加载每个样本数据
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader):
                iter_count += 1
                #模型参数梯度值选择为0
                model_optim.zero_grad()
                #将转化为浮点型的数据加载到cpu或gpu
                batch_x = batch_x.float().to(self.device)
                batch_x_mark = batch_x_mark.float().to(self.device)

                # random mask
                #创建随机掩码用于弥补缺失数据
                B, T, N = batch_x.shape
                mask = torch.rand((B, T, N)).to(self.device)
                mask[mask <= self.args.mask_rate] = 0  # masked  #被掩盖
                mask[mask > self.args.mask_rate] = 1  # remained  #保留
                inp = batch_x.masked_fill(mask == 0, 0)
                #使用模型进行预测
                outputs = self.model(inp, batch_x_mark, None, None, mask)
                #根据特征选择输出维度
                f_dim = -1 if self.args.features == 'MS' else 0
                outputs = outputs[:, :, f_dim:]
                #计算损失函数，并添加到train_loss列表
                loss = criterion(outputs[mask == 0], batch_x[mask == 0])
                train_loss.append(loss.item())
                #打印训练信息
                if (i + 1) % 100 == 0:
                    print(" iters: {0}, epoch: {1} | loss: {2:.7f}".format(i + 1, epoch + 1, loss.item()))
                    speed = (time.time() - time_now) / iter_count
                    left_time = speed * ((self.args.train_epochs - epoch) * train_steps - i)
                    print(' speed: {:.4f}s/iter; left time: {:.4f}s'.format(speed, left_time))
                    iter_count = 0
                    time_now = time.time()
                #反向传播和优化步骤
                loss.backward()
                model_optim.step()

            print("Epoch: {} cost time: {}".format(epoch + 1, time.time() - epoch_time))
            train_loss = np.average(train_loss)
            #运行验证集和测试集
            vali_loss = self.vali(vali_data, vali_loader, criterion)
            test_loss = self.vali(test_data, test_loader, criterion)
            #打印损失信息
            print("Epoch: {0}, Steps: {1} | Train Loss: {2:.7f} Vali Loss: {3:.7f} Test Loss: {4:.7f}".format(
                epoch + 1, train_steps, train_loss, vali_loss, test_loss))
            #应用早停
            early_stopping(vali_loss, self.model, path)
            if early_stopping.early_stop:
                print("Early stopping")
                break
            #调整学习度
            adjust_learning_rate(model_optim, epoch + 1, self.args)
        #加载最佳模型的状态
        best_model_path = path + '/' + 'checkpoint.pth'
        self.model.load_state_dict(torch.load(best_model_path))

        return self.model
    #定义测试方法
    def test(self, setting, test=0):
        #获取测试数据
        test_data, test_loader = self._get_data(flag='test')
        #如果测试为真，加载模型状态
        if test:
            print('loading model')
            self.model.load_state_dict(torch.load(os.path.join('./checkpoints/' + setting, 'checkpoint.pth')))

        preds = []
        trues = []
        masks = []
        folder_path = './test_results/' + setting + '/'
        if not os.path.exists(folder_path):
            os.makedirs(folder_path)
        #切换评估模式
        self.model.eval()
        #开启上下文管理器，关闭梯度计算，节省内存和计算资源
        with torch.no_grad():
            #从训练数据集中加载每个样本数据
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(test_loader):
                #将数据的数据类型转化为浮点型，加载到GPU或CPU
                batch_x = batch_x.float().to(self.device)
                batch_x_mark = batch_x_mark.float().to(self.device)

                # random mask
                #创建随机掩码用于弥补缺失数据
                B, T, N = batch_x.shape
                mask = torch.rand((B, T, N)).to(self.device)
                mask[mask <= self.args.mask_rate] = 0  # masked  #被掩盖
                mask[mask > self.args.mask_rate] = 1  # remained  #保留
                inp = batch_x.masked_fill(mask == 0, 0)

                # imputation
                #使用模型进行预测
                outputs = self.model(inp, batch_x_mark, None, None, mask)

                # eval
                #根据特征选择输出维度
                f_dim = -1 if self.args.features == 'MS' else 0
                outputs = outputs[:, :, f_dim:]
                outputs = outputs.detach().cpu().numpy()
                pred = outputs
                true = batch_x.detach().cpu().numpy()
                #讲这些预测、真实、掩码、标签添加到之前初始化的列表中
                preds.append(pred)
                trues.append(true)
                masks.append(mask.detach().cpu())

                #每20批次，执行以下代码块
                if i % 20 == 0:
                    filled = true[0, :, -1].copy()
                    filled = filled * mask[0, :, -1].detach().cpu().numpy() +
                             pred[0, :, -1] * (1 - mask[0, :, -1].detach().cpu().numpy())
                    #将true数据和pred的最后一维拼接起来，存储
                    visual(true[0, :, -1], filled, os.path.join(folder_path, str(i) + '.pdf'))
        #将preds、trues、masks分别拼接起来
        preds = np.concatenate(preds, 0)
        trues = np.concatenate(trues, 0)
        masks = np.concatenate(masks, 0)
        print('test shape:', preds.shape, trues.shape)

        # result save
        # 创建结果路径
        folder_path = './results/' + setting + '/'
        if not os.path.exists(folder_path):
            os.makedirs(folder_path)
        #输出各个评估参数
        mae, mse, rmse, mape, mspe = metric(preds[masks == 0], trues[masks == 0])
        print('mse:{}, mae:{}'.format(mse, mae))
        f = open("result_imputation.txt", 'a')
        f.write(setting + "  
")
        f.write('mse:{}, mae:{}'.format(mse, mae))
        f.write('
')
        f.write('
')
        f.close()

        np.save(folder_path + 'metrics.npy', np.array([mae, mse, rmse, mape, mspe]))
        np.save(folder_path + 'pred.npy', preds)
        np.save(folder_path + 'true.npy', trues)
        return