import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("data/surveyDataSience.csv", low_memory=False)
df = df.iloc[1:].reset_index(drop=True)

print(df.shape)  # (nr_linii, nr_coloane)
print(df.head())
#1) Numărul de respondenți
n_resp = len(df)
print("Număr respondenți:", n_resp)

#2) Număr și tipul informațiilor (atribute) pentru un respondent
print("Număr atribute (coloane):", df.shape[1])
print(df.columns)
print(df.dtypes)

#3) Numărul de respondenți cu date complete
complete_all = df.dropna().shape[0]
print("Complet pe TOATE cele 369 coloane:", complete_all)

#4) Durata medie a studiilor superioare (ani)
def edu_years(x):
    if pd.isna(x): return np.nan
    if "Bachelor" in x: return 3
    if "Master" in x: return 5
    if "Doctoral" in x: return 8
    if "Professional doctorate" in x: return 8
    if "Some college" in x: return 1.5
    if "No formal education" in x: return 0
    if "I prefer not" in x: return np.nan
    return np.nan

df["edu_years"] = df["Q4"].apply(edu_years)

mean_all = df["edu_years"].mean()
mean_ro = df.loc[df["Q3"]=="Romania", "edu_years"].mean()
mean_ro_w = df.loc[(df["Q3"]=="Romania") & (df["Q2"]=="Woman"), "edu_years"].mean()

print("Media ani studii (toți):", mean_all)
print("Media ani studii (România):", mean_ro)
print("Media ani studii (România, femei):", mean_ro_w)


#5) Numărul de respondenți femei din România cu date complete
rom_w_complete = df[(df["Q3"]=="Romania") & (df["Q2"]=="Woman")].dropna()
print("Femei România (complete pe Q1–Q6):", len(rom_w_complete))

#6) Femei din România care programează în Python / C++ + intervalul de vârstă dominant
lang_cols = [c for c in df.columns if c.startswith("Q7_Part_")]

def uses_language(sub_df, lang):
    return sub_df[lang_cols].eq(lang).any(axis=1)

rom_w = df[(df["Q3"]=="Romania") & (df["Q2"]=="Woman")].copy()
rom_w["uses_python"] = uses_language(rom_w, "Python")
rom_w["uses_cpp"] = uses_language(rom_w, "C++")

n_py = rom_w["uses_python"].sum()
n_cpp = rom_w["uses_cpp"].sum()

print("Femei RO care folosesc Python:", n_py)
print("Femei RO care folosesc C++:", n_cpp)

# Interval vârstă cu cele mai multe
top_age_py = rom_w.loc[rom_w["uses_python"], "Q1"].value_counts()
top_age_cpp = rom_w.loc[rom_w["uses_cpp"], "Q1"].value_counts()

print("\nDistribuție vârstă (Python):\n", top_age_py)
print("\nDistribuție vârstă (C++):\n", top_age_cpp)

if len(top_age_py)>0:
    print("\nVârsta dominantă Python:", top_age_py.idxmax())
if len(top_age_cpp)>0:
    print("Vârsta dominantă C++:", top_age_cpp.idxmax())


# 7) Domeniul de valori posibile + extreme pentru fiecare atribut
def analyze_attribute_ranges(df):
    attribute_summary = {}
    for col in df.columns:
        unique_values = df[col].dropna().unique()
        num_unique_values = len(unique_values)
        try:
            numeric_values = pd.to_numeric(df[col].dropna(), errors='coerce')
            min_val, max_val = numeric_values.min(), numeric_values.max()
        except:
            min_val, max_val = None, None
        attribute_summary[col] = {
            "Număr de valori posibile": num_unique_values,
            "Minim": min_val,
            "Maxim": max_val,
            "Exemple de valori": unique_values[:5]
        }
    return pd.DataFrame.from_dict(attribute_summary, orient='index')
attribute_summary_df = analyze_attribute_ranges(df)
print(attribute_summary_df.head(20))

#8). Transformarea vechimii în programare și analiza statistică
map_q6 = {
    "I have never written code": 0,
    "< 1 years": 0.5,
    "1-3 years": 2,
    "3-5 years": 4,
    "5-10 years": 7.5,
    "10-20 years": 15,
    "20+ years": 25  # alegere simplă (poți schimba)
}

df["code_years"] = df["Q6"].map(map_q6)

stats = {
    "min": df["code_years"].min(),
    "max": df["code_years"].max(),
    "mean": df["code_years"].mean(),
    "std": df["code_years"].std(),
    "median": df["code_years"].median(),
}
print(stats)


def plot_python_age_distribution(df, title):
    plt.figure(figsize=(10, 6))
    sns.countplot(y=df["Q1"], order=df["Q1"].value_counts().index)
    plt.xlabel("Număr de respondenți")
    plt.ylabel("Categorie de vârstă")
    plt.title(title)
    plt.show()

#9).distributia respondentilor care programeaza in Python pe categorii de varsta
python_users = df[df["Q7_Part_1"] == "Python"]
plot_python_age_distribution(python_users, "Distribuția programatorilor Python pe categorii de vârstă")


#10).distributia respondentilor din Romania care programeaza in Python pe categorii de varsta
romania_python_users = python_users[python_users["Q3"] == "Romania"]
plot_python_age_distribution(romania_python_users, "Distribuția programatorilor Python din România pe categorii de vârstă")


#11).distributia respondentilor femei din Romania care programeaza in Python pe categorii de varsta
romania_women_python_users = romania_python_users[romania_python_users["Q2"] == "Woman"]
plot_python_age_distribution(romania_women_python_users, "Distribuția femeilor din România care programează în Python pe categorii de vârstă")

def plot_outliers_experience(df):
    plt.figure(figsize=(10, 6))
    sns.boxplot(x=df["code_years"])
    plt.xlabel("Ani de experiență în programare")
    plt.title("Identificarea outlierilor în experiența de programare")
    plt.show()


#12).respondentii care pot fi considerati "outlieri" din punct de vedere al vechimii in programare (puteti folositi un boxplot pentru a identifica aceste valori)
exp_map = {
    "I have never written code": 0,
    "< 1 years": 0.5,
    "1-3 years": 2,
    "3-5 years": 4,
    "5-10 years": 7.5,
    "10-20 years": 15,
    "20+ years": 25
}

df["code_years"] = df["Q6"].map(exp_map)

plot_outliers_experience(df)