## INCISO 8.C:

!git clone https://github.com/mvera1412/tallerPS.git # Para extraer archivos de gihub
!pip install geopandas

# Librerías:
import numpy as np
import pandas as pd
import sklearn

from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
from numpy.linalg import inv

# Archivo a utilizar:
ruta_archivo = '/content/tallerPS/data/represa.csv'
datos = pd.read_csv(ruta_archivo)
datos

# ------------------------------------------------------------------------------
# PASO 1: Objetos a usar
orden = 8 # Orden del regresor polinómico.

data_train = datos.get(["Xtrain","ytrain"])
#Comentario: Las últimas filas poseen datos perdidos (Nan) -> Elimino esas filas
data_train = data_train.drop(list(np.arange(10,21,1)))

X_train = data_train.get(["Xtrain"])


#-------------------------------------------------------------------------------
# PASO 2: Construir la tabla con X^1, X^2, . . .X^(orden)

df_Mtx = pd.DataFrame() # DATAFRAME VACÍO. En este objeto voy colocando las columnas X^i.

for i in np.arange(1, orden+1, 1):
  
  aux = X_train.pow(i)
  nombre_columna = "X^{}".format(i)

  # - - - - - - - - - 
  # Normalización de la columna X^i (método de normalización z)
  
  # OPCION 1: Normalización z
  #aux_norm = (aux - aux.mean())/aux.std()
  
  # OPCION 2: Normalización máx. mín:
  #max = aux.max()
  #min = aux.min()
  #aux_norm = (aux - min)/(max - min)
  # - - - - - - - - - 

  # Agregar columna a df_Mtx
  df_Mtx[nombre_columna] = aux # Sin normalización
  #df_Mtx[nombre_columna] = aux_norm # Con normalización

#-------------------------------------------------------------------------------
# PASO 3: Construir el regresor polinómico. Hallar los valores de los coeficientes del polinomio.

#Comentario: Se agrega a la tabla la columna de unos, la cual está asociada con el
#termino independiente del polinomio:
df_Mtx.insert(0, 'X^0', 1) 


Mtx = df_Mtx.to_numpy() # Mtx a numpy
y = data_train.get(['ytrain']).to_numpy() # ytrain a numpy

w = np.linalg.inv(Mtx.T @ Mtx) @ Mtx.T @ y # Coeficientes

# Regresor polinómico
x = np.arange(-65,45,1)
len = np.size(x)
y = np.zeros(len)
w = w[::-1]
for i in np.arange(0,len,1):
   y[i] = np.polyval(w, x[i])

plt.figure()
ax1 = datos.plot.scatter(x="Xtrain",y="ytrain",c='Red',label = "ytrain vs Xtrain")
datos.plot.scatter(x="Xval",y="yval",c='Green',ax = ax1,label = "yval vs Xval")
datos.plot.scatter(x="Xtest",y="ytest",c='Blue',ax = ax1,label = "ytest vs Xtest")
plt.plot(x, y, c='Orange', label = 'Regresión polinómica')
ax1.legend()