import os
import pandas as pd
import numpy as np
import tensorflow as tf
import tinkoff_invest
import json

def get_usd_to_rub_exchange_rate(token):
    session = tinkoff_invest.Session(token)
    currency = session.get_currency("USDRUB")
    return currency.last_price

def prepare_data(file_path, window_size=100):
    data = pd.read_json(file_path, lines=True)
    data_array = np.array(data)
    target = data_array[window_size:, -1]
    data_input = np.array([data_array[i:i+window_size, :-1].flatten() for i in range(len(data_array)-window_size)])
    return data_input, target

def create_model(input_shape):
    model = tf.keras.Sequential([
        tf.keras.layers.Dense(128, activation="relu", input_shape=(input_shape,)),
        tf.keras.layers.Dense(1, activation="sigmoid")
    ])
    return model

def train_model(model, data_input, target):
    model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
    epochs = 10
    for epoch in range(epochs):
        model.fit(data_input, target, epochs=1, verbose=0)
    model.save_weights("model_weights.h5")
    return model

def load_model(input_shape):
    model = create_model(input_shape)
    model.load_weights("model_weights.h5")
    return model

def test_model(model, new_data):
    predictions = model.predict(new_data)
    return predictions.flatten()

def main():
    model_path = "model_weights.h5"
    data_path = "data.json"
    window_size = 100

    if not os.path.isfile(model_path):
        print("Веса модели не найдены. Пожалуйста, выполните тренировку.")
        return

    model = load_model(window_size * (data_input.shape[1] // window_size))

    memory = []

    while True:
        print("Выберите режим:")
        print("1 - Тренировка нейросети")
        print("2 - Режим предсказания")
        print("3 - Режим реального времени и запись данных для обучения")
        print("0 - Выход")

        mode = input("Введите номер режима: ")

        if mode == "0":
            break
        elif mode == "1":
            default_data_path = "data.json"
            data_path = input(f"Введите путь к файлу с данными (по умолчанию {default_data_path}): ")
            data_path = data_path if data_path else default_data_path

            data_input, target = prepare_data(data_path, window_size)
            model = train_model(model, data_input, target)
            print("Нейросеть успешно обучена и веса сохранены.")
        elif mode == "2":
            sequence = [float(input(f"Введите значение {i + 1}: ")) for i in range(100)]
            predictions = test_model(model, np.array([sequence]).flatten())
            print(f"Предсказанная вероятность для следующего колебания: {predictions[0]}")
        elif mode == "3":
            token = "ваш_токен_авторизации"
            exchange_rate = get_usd_to_rub_exchange_rate(token)
            label = 0 if exchange_rate < memory[-1] else 1
            memory.append(exchange_rate)

            if len(memory) >= window_size:
                with open(data_path, 'a') as file:
                    file.write(json.dumps({"rate": exchange_rate, "label": label}) + '\n')
                sequence = np.array(memory[-window_size:]).flatten()
                predictions = test_model(model, sequence.reshape(1, -1))
                print(f"Предсказанная вероятность для следующего колебания: {predictions[0]}")
                memory.pop(0)
                
if __name__ == "__main__":
    main()