# -*- coding: utf-8 -*-
"""
Created on Sat Oct  6 08:53:36 2018

@author: PC
"""


import csv
import random as rand
from scipy.signal import *
from cmath import *
import numpy as np
from scipy.signal import butter, lfilter
from scipy.signal import freqs
import matplotlib.pyplot as plt

taille=350 ## nombre de jours considérés





#####
## lecture des données
####
    
sequence = np.zeros(taille) ## tableau dans lequel on va stocker les résultats obtenus: saison attachée à chaque jour, avec la chaine de Markov cachée


obs=np.load('observations.npy')
labels=np.load('labels.npy')
temp_A=np.load('temp_A.npy').astype(np.float)
temp_P=np.load('temp_P.npy').astype(np.float)
temp_H=np.load('temp_H.npy').astype(np.float)
temp_E=np.load('temp_E.npy').astype(np.float)


obs=np.array(obs)
obs = np.asarray(obs, dtype=np.float64, order='C')


## A compléter



## calcul de l'erreur
erreur=0
for i in range(taille-2,-1,-1):
    if(sequence[i]!=labels[i]): ## calcul de l'erreur
        erreur = erreur +1
        
print(100*erreur/taille) #calcul du taux d'erreur

## comparer avec une classification directe

direct_classification=[]## tableau dans lequel on va stocker les résultats obtenus: saison attachée à chaque jour, pour la classification directe

erreur2=0
for i in range(taille-1):
    if(direct_classification[i]!=labels[i]): ## calcul de l'erreur
        erreur2 = erreur2 +1
        
print(100*erreur2/(taille-1)) #calcul du taux d'erreur