import csv

filename = 'henkiloautot-sahko-merkit.csv'

all_rows = []

csv_file = open(filename)

reader = csv.reader(csv_file)

headers = next(reader)

for row in reader:

if row[0] in ['M1', 'M1G']:

all_rows.append(row)

csv_file.close()

print(len(all_rows))

years = range(2016, 2027) # nyt on 2026 mukana

counts = {}

for row in all_rows:

if row[1] == '':

continue

year = int(row[1][6:])

if year < years.start:

continue

if year not in counts:

counts[year] = [0] * 12

month = int(row[1][3:5]) - 1

counts[year][month] += 1

# Lisää tyhjä lista myös vuodelle 2026:

counts[years.stop - 1] = [0] * 12

print(f'Sähköautojen ensirekisteröinnit {years.start} - {years.stop - 1}')

for year in years:

print(f'{year}: {sum(counts[year]):>5}')

for month in range(12):

print(f'\t{month+1:>2}: {counts[year][month]}')

print(f'Yhteensä: {len(all_rows)}')

# Regressiomallia varten muista ensin aktivoida

# virtuaaliympäristö, sitten asenna Scikit-Learn:

# `pip install scikit-learn`

# Matplotlibin asennus on jo vetänyt mukaan NumPy-kirjaston.

import numpy as np

from sklearn.linear_model import LinearRegression

x_arr = [] # 0, 1, 2, ... = 2016-01, 2016-02, 2016-03...

x_val = 0

y_arr = [] # rekisteröintimäärät

leftover_count = 0 # montako kuukautta on vailla dataa

for year in years:

# Data puuttuu viimeiseltä vuodelta.

# Se täydennetään ennusteen tuottamalla datalla.

if year == 2026:

leftover_count += 12

continue

for month in range(12):

# Data puuttuu myös v. 2025 lopulta

if year == 2025 and month >= 9:

leftover_count += 1

continue

x_arr.append(x_val)

x_val += 1

y_arr.append(counts[year][month])

# Nyt x_arr sisältää arvot 0...77, missä 0 = tammikuu 2016,

# 1 = helmikuu 2016 jne., ja 116 = syyskuu 2022.

# Yhteensä siis 9 * 12 + 9 = 117 kuukautta.

# y_arr sisältää rekisteröintimäärät 1/2016 ... 9/2025.

print(f'Kuukausia: {len(y_arr)}')

#print(y_arr)

# NumPy-taulukot ovat hieman erilaisia kuin Pythonin listat,

# joten täytyy tehdä pieni muunnos:

x = np.array(x_arr).reshape((-1, 1))

y = np.array(y_arr)

#print(x)

#print(y)

# Seuraava perustuu artikkeliin

# https://realpython.com/linear-regression-in-python/

# Tehdään lineaarinen regressiomalli ja sovitetaan siihen x ja y:

model = LinearRegression()

model.fit(x, y)

r_sq = model.score(x, y)

print(f"coefficient of determination: {r_sq}")

print(f"intercept: {model.intercept_}")

print(f"slope: {model.coef_}")

# Ennustetaan x:n perusteella y:n arvot

y_pred = model.predict(x)

#print(f"predicted response:\n{y_pred}")

print(f'Ennustetaan {leftover_count} kuukautta...')

future_x = list(range(x_val, x_val + leftover_count))

x_new = np.array(future_x).reshape((-1, 1))

#print(x_new)

y_new = model.predict(x_new)

print(y_new)

print(type(y_new))

# Keräillään valmiit arvot ja niiden otsakkeet kuviota varten

labels = []

year = years.start

month = 0

values = y_arr

for x in x_arr:

labels.append(f'{year}-{month+1:>02}')

month += 1

if month == 12:

month = 0

year += 1

total_count = 0

count_2025 = 0

count_2026 = 0

year = 2025

month = 9

#print(future_x)

for fx in future_x:

count = int(y_new[fx - len(x_arr)])

total_count += count

label = f'{year}-{month+1:>02}'

labels.append(label)

values.append(count) # lisätään ennustettu arvo

print(f'{label}: {count} *')

if year == 2025:

count_2025 += count

if year == 2026:

count_2026 += count

month += 1

if month == 12:

month = 0

year += 1

print(f'Ennuste ajalle 2025-10 - 2025-12: {total_count}')

print(f'Ennuste loppuvuodelle 2025: {count_2025}')

print(f'Ennuste vuodelle 2026: {count_2026}')

import matplotlib.pyplot as plt

print(labels)

print(values)

plt.bar(labels, values, tick_label=labels)

plt.show()