import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mplsoccer import VerticalPitch
import seaborn as sns
from mplsoccer import FontManager

pd.set_option('display.max_columns', None)

# Читаем CSV
df = pd.read_csv('result.csv')

# Переводим все координаты для отображения
df['x'] = df['x']*1.2
df['y'] = df['y']*.8
df['endX'] = df['endX']*1.2
df['endY'] = df['endY']*.8

# Откидываем ненужные столбцы
df = df[['teamId', 'playerId', 'minute', 'second', 'x', 'y','endX', 'endY', 'type/displayName', 'outcomeType/displayName', 'isShot']]

# Выбираем только действия нужной команды
df = df[df['teamId'] == 63].reset_index()

# Подсчитываем время каждого действия
df['time'] = df['minute'] * 60 + df['second']

# Оставляем из всех событий только успешные передачи и удары
shots = df[df['isShot'] == True]
passes = df[(df['type/displayName'] == 'Pass') & (df['outcomeType/displayName'] == 'Successful')]
events = pd.concat([shots, passes], axis=0).reset_index()

print(events)

# Формируем DataFrame, где строки — зоны, а столбцы — их границы и искомое значение
zones = pd.DataFrame(columns=['x1', 'x2', 'y1', 'y2', 'result'])

# Начинаем заполнять зоны
for i in range(6):
    for j in range(5):
        # Считаем координаты зоны
        x1 = i * 20
        x2 = (i + 1) * 20
        y1 = j * 16
        y2 = (j + 1) * 16

        # Записываем в наш датафрейм
        zones = zones.append({
            'x1': x1,
            'x2': x2,
            'y1' : y1,
            'y2' : y2,
            'result' :0
            }, ignore_index=True
        )

print(zones)

# Начинаем перебирать зоны
for i in range(30):
    print(f'Zone #{i}')

    # Получаем назад координаты
    x1, x2, y1, y2 = list(zones.iloc[i])[:4]

    # Получаем все события именно этой зоны (фильтруем по полученным координатам)
    zone_passes = passes[(x1 <= passes['endX']) & (passes['endX'] <= x2) &
                         (y1 <= passes['endY']) & (passes['endY'] <= y2)]
    zone_shots = shots[(x1 <= shots['x']) & (shots['x'] <= x2) &
                       (y1 <= shots['y']) & (shots['y'] <= y2)]

    # Складываем удары и передачи
    zone_events = pd.concat([zone_shots, zone_passes], axis=0)

    # Важно: сортируем события в хронологическом порядке
    zone_events = zone_events.sort_values(['time']).reset_index(drop=True)

    # Ставим счётчики

    # Последняя передача (-1 значит, что передачи ещё не было)
    last_pass_time = -1

    # Общее количество передач
    passes_count = 0

    # Количество «хороших передач», то есть тех, что привели к удару в течение 10 секунд
    good_passes_count = 0

    # Теперь перебираем события
    for j in range(len(zone_events)):
        # Сразу получаем тип события (удар или передача) и время, когда это случилось
        # (просто потому что с короткими названиями переменных проще работать)
        etype = zone_events['type/displayName'][j]
        isshot = zone_events['isShot'][j]
        etime = zone_events['time'][j]

        # Если это передача:
        if etype == 'Pass':
            # Увеличиваем количество передач
            passes_count += 1
            # Записываем эту передачу как последнюю
            last_pass_time = etime
        # Если это удар:
        elif isshot:
            # Смотрим, была ли перед ударом передача, и если да, то смотрим, прошло ли меньше 10 секунд
            if last_pass_time != -1 and etime - last_pass_time <= 10:
                # Если да, то та передача была хорошей — и мы увеличиваем количество хороших передач
                good_passes_count += 1
                # И забываем про неё (потому что по условию одна передача не может привести к двум ударам)
                last_pass_time = -1

    # Если не было ни одной передачи, записываем NaN (иначе словим ошибку деления на ноль)
    if passes_count == 0:
        zones['result'][i] = np.nan
    # Иначе записываем отношение хороших передач к общему количеству
    else:
        zones['result'][i] = good_passes_count / passes_count

    print()

# Результат
print(zones)