import pandas as pd
from sklearn.preprocessing import StandardScaler, MinMaxScaler
import numpy as np

df_decision_manuelle = [
    [1, 0, 1, 3],  # Exemple de ligne 1
    [4, 1, 0, 1],  # Exemple de ligne 2
    [1, 1, 5, 0],  # Exemple de ligne 3
    [0, 7, 1, 1]   # Exemple de ligne 4
]


# Appliquer différentes méthodes de normalisation
scaler_standard = StandardScaler()
matrice_standardisee = scaler_standard.fit_transform(df_decision_manuelle)

scaler_minmax = MinMaxScaler()
matrice_normalisee_minmax = scaler_minmax.fit_transform(df_decision_manuelle)

matrice_normalisee_log = np.log1p(df_decision_manuelle)

# Définir les poids pour chaque méthode de normalisation
poids_standard = 0.4
poids_minmax = 0.3
poids_log = 0.3

# ---- Étape 1: Méthode de la somme pondérée (WSM) ----
matrice_wsm = (
    poids_standard * matrice_standardisee +
    poids_minmax * matrice_normalisee_minmax +
    poids_log * matrice_normalisee_log
)

# ---- Étape 2: Méthode du produit pondéré (WPM) ----
matrice_wpm = (
    np.abs(matrice_standardisee) ** poids_standard *
    np.abs(matrice_normalisee_minmax) ** poids_minmax *
    np.abs(matrice_normalisee_log) ** poids_log
)


# ---- Étape 3: Méthode de combinaison de WSM et WPM (WASPAS) ----
# Calculer la somme pondérée des matrices normalisées
somme_ponderee = (
    poids_standard * matrice_standardisee +
    poids_minmax * matrice_normalisee_minmax +
    poids_log * matrice_normalisee_log
)

# Calculer le produit pondéré des matrices normalisées
produit_pondere = (
    matrice_standardisee ** poids_standard *
    matrice_normalisee_minmax ** poids_minmax *
    matrice_normalisee_log ** poids_log
)

# Calculer la somme pondérée du produit pondéré
somme_ponderee_produit_pondere = somme_ponderee.sum(axis=1)

# Calculer la matrice WASPAS en divisant la somme pondérée par la somme pondérée du produit pondéré
matrice_waspas = somme_ponderee / somme_ponderee_produit_pondere[:, np.newaxis]

# ---- Étape 4: Sauvegarder les résultats dans un fichier CSV ----
colonnes = ['Feature 1', 'Feature 2', 'Feature 3', 'Feature 4']
lignes = ['Exemple 1', 'Exemple 2', 'Exemple 3', 'Exemple 4']

# Créer des DataFrames avec les résultats
df_wsm = pd.DataFrame(matrice_wsm, columns=colonnes, index=lignes)
df_wpm = pd.DataFrame(matrice_wpm, columns=colonnes, index=lignes)
df_waspas = pd.DataFrame(matrice_waspas, columns=colonnes, index=lignes)

# Enregistrer les résultats dans des fichiers CSV
#df_wsm.to_csv('resultats_wsm.csv')
#df_wpm.to_csv('resultats_wpm.csv')
#df_waspas.to_csv('resultats_waspas.csv')

# ---- Étape 5: Comparaison des méthodes ----
# Calculer la moyenne des valeurs pour chaque méthode de normalisation
moyenne_wsm = df_wsm.mean().mean()
moyenne_wpm = df_wpm.mean().mean()
moyenne_waspas = df_waspas.mean().mean()

# Afficher les moyennes
print("Matrice Standardisee:\n", matrice_standardisee)
print("Matrice MinMax:\n", matrice_normalisee_minmax)
print("Matrice Log:\n", matrice_normalisee_log)

print("Moyenne WSM:", moyenne_wsm)
print("Moyenne WPM:", moyenne_wpm)
print("Moyenne WASPAS:", moyenne_waspas)