import os

import pandas as pd
# add_fund_data.py
from app_test.tiantian_jijin_spider import get_fund_data_by_code


def normalize_df(df):
    """
    对 DataFrame 对象进行最小最大标准化。

    Args:
        df (DataFrame): 要进行标准化的 DataFrame 对象。

    Returns:
        df_normalized (DataFrame): 进行最小最大标准化后的 DataFrame 对象。
    """
    # 如果列的数据类型是布尔值、有符号整型、无符号整型、浮点数或复数浮点数的话，就进行最大最小标准化，否则保留原列的数据
    df_normalized = df.apply(lambda x: (x - x.min()) / (x.max() - x.min())
    if x.dtype.kind in 'biufc' else x)

    return df_normalized
def add_fund_data(fund_code):
    df = pd.read_csv('filled_row_data.csv')
    # print(df)
    fund_data = get_fund_data_by_code(fund_code)

    # print('基金数据')


    # print(fund_data)
    #将需要预测的因变量基金数据添加到预处理后数据
    # del fund_data['id']  # 删除 'id' 列
    df_merged = pd.merge(df, fund_data, how='inner', on='date')
    df_merged['date'] = pd.to_datetime(df_merged['date'])
    df_merged.set_index('date', inplace=True)
    # print(type(df_merged.index.max()))

    # print('开始保存数据')
    # df_merged.to_csv('row_data.csv',encoding='utf-8')
    # 对缺失值进行线性插值(其他方法?多项插值?)
    df_merged = df_merged.interpolate()

    # 如果有剩余的NaN值，删除这些行
    df_merged.dropna(inplace=True)
    # df_merged = normalize_df(df_merged)
    # print(df_merged)
    print('添加基金数据成功')
    return df_merged