import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# ==========================================
# 1. INPUT DATA (Data Collection)
# ==========================================
# จำลองข้อมูลลูกค้า 10 คน (ในความเป็นจริงข้อมูลจะมาจาก SQL Database หรือ CSV)
# สมมติ 1 = เลิกเป็นสมาชิก (Churn), 0 = ยังอยู่ต่อ
data = {
    'Customer_ID': ['C001', 'C002', 'C003', 'C004', 'C005', 'C006', 'C007', 'C008', 'C009', 'C010'],
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve', 'Frank', 'Grace', 'Hannah', 'Ian', 'Jack'],
    'Age': [25, 45, 35, 50, 23, 60, 32, 28, 40, 55],
    'Salary': [18000, 85000, 45000, 120000, 15000, 90000, 50000, 22000, 60000, 110000],
    'Days_Since_Last_Buy': [2, 45, 10, 5, 60, 3, 15, 40, 7, 2],
    'Total_Spend': [500, 12000, 3000, 25000, 200, 15000, 4000, 800, 5500, 30000],
    'Churn_Label': [0, 1, 0, 0, 1, 0, 0, 1, 0, 0] 
}

df = pd.DataFrame(data)

print("--- ข้อมูลดิบ (Raw Data) ---")
print(df.head(3)) # ดูแค่ 3 แถวแรก
print("\n")


# ==========================================
# 2. DATA PREPROCESSING
# ==========================================

# --- 2.1 Feature Selection (เลือกเฉพาะคอลัมน์ที่มีผล) ---
# HINT: ID กับ ชื่อ เป็น Unique Identifier ไม่มีผลต่อพฤติกรรมการซื้อ ตัดทิ้งได้เลย
# นี่คือการลด Dimensions แบบง่ายที่สุด (Manual Feature Selection)
features = df.drop(['Customer_ID', 'Name', 'Churn_Label'], axis=1)
labels = df['Churn_Label']

# --- 2.2 Data Subsetting (Train/Test Split) ---
# HINT: แบ่งข้อมูลไว้ "สอน" (Train) และ "สอบ" (Test) เพื่อจำลองการใช้งานจริง
# สุ่ม 80% ไปสอน, 20% ไปสอบ
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

# --- 2.3 Normalization (ปรับสเกลข้อมูล) ---
# HINT: Salary หลักหมื่น vs Age หลักสิบ ถ้าไม่ปรับ โมเดลจะลำเอียงไปทาง Salary
# เราใช้ Min-Max Scaler ปรับทุกอย่างให้อยู่ในช่วง 0 ถึง 1
scaler = MinMaxScaler()

# fit_transform กับตัว Train (จำค่า Min/Max ของ Train ไว้)
X_train_scaled = scaler.fit_transform(X_train) 
# transform ตัว Test (ใช้ค่า Min/Max เดิมจาก Train เพื่อความแฟร์)
X_test_scaled = scaler.transform(X_test)

print("--- ข้อมูลหลัง Preprocessing (Normalized) ---")
print(pd.DataFrame(X_train_scaled, columns=features.columns).head(3))
print("\n")


# ==========================================
# 3. DATA MINING
# ==========================================

# เลือก Algorithm: Decision Tree (ต้นไม้ตัดสินใจ)
# เพราะเข้าใจง่าย เหมาะกับการเริ่มเรียนรู้
clf = DecisionTreeClassifier(random_state=42)

# สั่งให้โมเดล "เรียนรู้" จากข้อมูลที่เตรียมไว้ (Machine Learning)
clf.fit(X_train_scaled, y_train)

# ลองทำนายข้อมูลชุดสอบ (Test Set)
y_pred = clf.predict(X_test_scaled)


# ==========================================
# 4. POSTPROCESSING & INFORMATION
# ==========================================

# --- 4.1 Evaluation (วัดผล) ---
accuracy = accuracy_score(y_test, y_pred)
print(f"--- ผลลัพธ์ (Information) ---")
print(f"ความแม่นยำของโมเดล: {accuracy * 100:.2f}%")

# --- 4.2 Pattern Interpretation (ดูว่าโมเดลรู้อะไร) ---
# HINT: ดูว่า Feature ไหนสำคัญที่สุดในการตัดสินใจว่าลูกค้าจะเลิกหรือไม่เลิก
feature_importance = pd.DataFrame({
    'Feature': features.columns,
    'Importance': clf.feature_importances_
}).sort_values(by='Importance', ascending=False)

print("\nปัจจัยที่มีผลต่อการเลิกเป็นสมาชิก (เรียงตามความสำคัญ):")
print(feature_importance)

# ==========================================
# 5. VISUALIZATION (แถมพิเศษ: ดูหน้าตาโมเดล)
# ==========================================
import matplotlib.pyplot as plt
from sklearn.tree import plot_tree

# กำหนดขนาดของภาพที่จะวาด (กว้าง 15 นิ้ว, สูง 10 นิ้ว) agar ให้เห็นชัดๆ
plt.figure(figsize=(15, 10))

# คำสั่งวาดต้นไม้
plot_tree(clf, 
          feature_names=features.columns,  # ใส่ชื่อคอลัมน์เพื่อให้ร่องรู้ง่ายขึ้น (Age, Salary)
          class_names=['Stay (0)', 'Churn (1)'], # ตั้งชื่อให้ผลลัพธ์ (0=อยู่ต่อ, 1=เลิก)
          filled=True,     # ระบายสีกล่องตามกลุ่มผลลัพธ์ (สีฟ้า=อยู่ต่อ, สีส้ม=เลิก)
          rounded=True,    # ทำขอบมนๆ ให้สวยงาม
          fontsize=12)     # ขนาดตัวอักษร

plt.title("Decision Tree Logic for Customer Churn Prediction")
plt.show() # แสดงภาพขึ้นมา