import pandas as pd
from autogluon.tabular import TabularPredictor

# 学習済みモデルの読み込み
# 今回作成したモデルが保存されているパスを指定します
predictor = TabularPredictor.load("/home/ec2-user/SageMaker/AutogluonModels/AutogluonModels")

print("学習済みモデルをロードしました。")

# fraudTest.csvの読み込み
s3_test_path = 's3://<バケット名>/fraudTest.csv'
print(f"S3からテストデータセットを読み込み中: {s3_test_path}")
test_df = pd.read_csv(s3_test_path)

# 最初の5行を表示してデータを確認
print("テストデータセットの最初の5行:")
print(test_df.head())

# テストデータからラベル列（is_fraud）を削除
# ※実際の不正チェックでは、is_fraud列は存在しないため
if 'is_fraud' in test_df.columns:
    test_data_nolabel = test_df.drop(columns=['is_fraud'])
else:
    test_data_nolabel = test_df.copy() # is_fraud列がない場合はそのまま使用

print("\nテストデータに対して不正予測を実行します...")

# 不正取引の予測
# predict() で不正/正常の分類結果を取得 (0または1)。
predictions = predictor.predict(test_data_nolabel)

# predict_proba() で、不正である確率（不正スコア）を取得
pred_proba = predictor.predict_proba(test_data_nolabel)

print("\n不正予測が完了しました。")

# 予測結果の確認
print("\n予測結果 (最初の10件):")
print(predictions.head(10))

print("\n不正である確率 (最初の10件):")
print(pred_proba.head(10))

# 実際のラベルと比較(fraudTest.csvにis_fraud列がある場合)
if 'is_fraud' in test_df.columns:
    print("\n実際の不正ラベル (最初の10件):")
    print(test_df['is_fraud'].head(10))

    # 予測結果と実際のラベルを結合して確認
    comparison_df = test_df[['is_fraud']].copy()
    comparison_df['predicted_fraud'] = predictions
    comparison_df['fraud_probability'] = pred_proba[1] # 不正である確率

    print("\n予測と実際のラベルの比較 (最初の10件):")
    print(comparison_df.head(10))

    # 誤検知や見逃しの数と例をチェック
    # 1)実際には不正ではないのに不正と予測したケース
    false_positives = comparison_df[(comparison_df['is_fraud'] == 0) & (comparison_df['predicted_fraud'] == 1)]
    print(f"\n誤検知 (False Positives) の数: {len(false_positives)}")
    if not false_positives.empty:
        print("誤検知の例 (最初の5件):")
        print(test_df.loc[false_positives.index].head())

    # 2)実際には不正なのに正常と予測したケース (見逃し)
    false_negatives = comparison_df[(comparison_df['is_fraud'] == 1) & (comparison_df['predicted_fraud'] == 0)]
    print(f"\n見逃し (False Negatives) の数: {len(false_negatives)}")
    if not false_negatives.empty:
        print("見逃しの例 (最初の5件):")
        print(test_df.loc[false_negatives.index].head())

else:
    print("\nテストデータに`is_fraud`列がないため、実際のラベルとの比較はできません。")
    print("予測結果と不正確率のみを表示します。")

# モデルが不正と予測した取引だけをすべて抽出して表示
# 'predicted_fraud'列が「1」のものだけをフィルタリング
predicted_fraudulent_transactions = comparison_df[comparison_df['predicted_fraud'] == 1]

print("\n--- モデルが不正であると予測したすべての取引 ---")
if not predicted_fraudulent_transactions.empty:
    print(f"合計 {len(predicted_fraudulent_transactions)} 件の取引が不正と予測されました。")
    # 不正と予測された取引の元のデータと予測結果、不正確率を表示
    # test_dfインデックスを使って元の取引情報を取得
    print(test_df.loc[predicted_fraudulent_transactions.index])
else:
    print("不正と予測された取引はありませんでした。")

# 実際の不正取引
actual_fraudulent_transactions = comparison_df[comparison_df['is_fraud'] == 1]
print(f"\n--- 実際に不正だった取引の合計: {len(actual_fraudulent_transactions)} 件 ---")
if not actual_fraudulent_transactions.empty:
    print("実際に不正だった取引の最初の10件:")
    print(test_df.loc[actual_fraudulent_transactions.index].head(10))

    # モデルが正しく不正と予測できた取引
    true_positives = actual_fraudulent_transactions[actual_fraudulent_transactions['predicted_fraud'] == 1]
    print(f"\nモデルが正しく不正と予測できた取引 (True Positives) の数: {len(true_positives)}")
    if not true_positives.empty:
        print("True Positives の例 (最初の5件):")
        print(test_df.loc[true_positives.index].head())

    # モデルが見逃した不正取引
    false_negatives_recheck = actual_fraudulent_transactions[actual_fraudulent_transactions['predicted_fraud'] == 0]
    print(f"\nモデルが見逃した不正取引 (False Negatives) の数: {len(false_negatives_recheck)}")
    if not false_negatives_recheck.empty:
        print("False Negatives の例 (最初の5件):")
        print(test_df.loc[false_negatives_recheck.index].head())
else:
    print("テストデータには実際の不正取引が含まれていませんでした。")