import numpy as np
np.random.seed(42)

class sample(object):
  def __init__(self, X, n_subspace):
    self.idx_subspace = self.random_subspace(X, n_subspace)

  def __call__(self, X, y):
    idx_obj = self.bootstrap_sample(X)
    X_sampled, y_sampled = self.get_subsample(X, y, self.idx_subspace, idx_obj)
    return X_sampled, y_sampled

  @staticmethod
  def bootstrap_sample(X, random_state=42):
    idx_obj = np.random.choice(np.arange(0,len(X)), size=len(X), replace=True)
    return idx_obj
    """
    Заполните тело этой функции таким образом, чтобы она возвращала массив индексов выбранных при помощи бэггинга индексов.
    Пользуйтесь только инструментами, реализованными в numpy.random, выставляя везде, где это необходимо, random_state=42
    """
  @staticmethod
  def random_subspace(X, n_subspace, random_state=42):
    idx_subspace = np.random.choice(np.arange(0, len(X[0])), size=n_subspace, replace=False)
    return idx_subspace
    """
    Заполните тело этой функции таким образом, чтобы она возвращала массив индексов выбранных при помощи метода случайных подпространств признаков
    Количество этих признаков передается при помощи аргумента n_subspace
    Пользуйтесь только инструментами, реализованными в numpy.random, выставляя везде, где это необходимо, random_state=42
    """


  @staticmethod
  def get_subsample(X, y, idx_subspace, idx_obj):
    temp = X[idx_obj].T
    X_sampled = np.unique(temp[idx_subspace], axis=0)
    temp_2 = y[idx_obj].T
    y_sampled = np.unique(temp_2[idx_subspace], axis=0)
    return X_sampled, y_sampled

    """
    Заполните тело этой функции таким образом, чтобы она возвращала подвыборку x_sampled, y_sampled
    по значениям индексов признаков(idx_subspace) и объектов(idx_obj) , которые должны в неё попасть
    """