import pandas as pd
import pmdarima as pm
import matplotlib.pyplot as plt
import requests
import json
from datetime import datetime
import os

response = requests.get("https://api.open-meteo.com/v1/forecast?latitude=39.61&longitude=-0.26&daily=temperature_2m_max,temperature_2m_min,wind_speed_10m_max,precipitation_sum&timezone=Europe%2FMadrid&past_days=30")

if response.status_code == 200: 
    data_json = response.json()

#data_json

datos_diarios = data_json['daily']

df = pd.DataFrame(datos_diarios)
df.head()

##Seleccionamos las 4 variables y sacamos la media
df.rename(columns = {'temperature_2m_max':'temp_2m_max', 'temperature_2m_min':'temp_2m_min', 'wind_speed_10m_max':'wind_10m_max', 'precipitation_sum':'precip_sum'}, inplace=True)

medias = df[['temp_2m_max', 'temp_2m_min', 'wind_10m_max', 'precip_sum']].mean().round(2)

print("------------------------------")
print()
print(f"Temperatura Maxima 2m: {medias['temp_2m_max']}")
print()
print(f"Temperatura Minima 2m: {medias['temp_2m_min']}")
print()
print(f"Velocidad Maxima del Viento 10m: {medias['wind_10m_max']}")
print()
print(f"Suma de Precipitaciones: {medias['precip_sum']}")
print("------------------------------")

##Usamos el PLOT propio de Pandas para sacar una gráfica de la velocidad del tiempo
df.plot(
    x = "time", 
    y = "wind_10m_max", 
    kind = "line", 
    title = "Velocidad del viento en la playa de Puçol (Km/H)", 
    color = "teal", 
    figsize = (10, 5)
)

#Medias Moviles con Pandas con ventana de 3 días y predicción de 5 
n_periods = 5
k = 3

#Hacemos una copia de los datos reales en forma de lista
historial_para_ma = df['temp_2m_max'].tolist()
predicciones_ma = []

#Bucle iterativo para el forecast
for i in range(n_periods):
    #Seleccionamos los últimos k valores
    ventana = historial_para_ma[-k:]
    #Calculamos la media de esa ventana
    siguiente_pred = sum(ventana) / k
    #Lo guardamos en predicciones_ma
    predicciones_ma.append(siguiente_pred)
    #Y se añade al historial para usarlo en la siguiente vuelta
    historial_para_ma.append(siguiente_pred)

#Forecasting con ARIMA

#Ajuste automatico del modelo como el auto.arima() de R
modelo_sarima = pm.auto_arima(
    df['temp_2m_max'], 
    seasonal=True, 
    m=7, 
    stepwise=True, 
    trace=True
)

#Guardamos las predicciones en una predicción de 5 días
predicciones = modelo_sarima.predict(n_periods=5)

# Gráfico con las nuevas predicciones

#Cremos un índice numérico que continúe justo cuando acaba el DF
ultimo_indice = df.index[-1]
indice_futuro = range(ultimo_indice + 1, ultimo_indice + 1 + n_periods)

#Convertimos la lista de predicciones en una Serie de Pandas con ese índice
serie_forecast_ma = pd.Series(predicciones_ma, index=indice_futuro)




#Se prepara primero la figura
plt.figure(figsize=(12, 6))

#Se añaden las capas. Primero los datos reales
plt.plot(df.index, df['temp_2m_max'], label = 'Real', color="teal")
#Ahora Medias Moviles
plt.plot(serie_forecast_ma.index, serie_forecast_ma, label = "Media Movil", color='orange', linestyle='--')
#Ahora Predicciones Sarima
plt.plot(predicciones.index, predicciones, label="Forecast SARIMA", color="green")

plt.title('Comparativa: Datos Reales vs Medias Móviles vs Prediccion SARIMA')
plt.legend()
plt.show()