from read_chirp_data import *
import nix_helpers as nh 
import matplotlib.pyplot as plt
import numpy as np
from IPython import embed



data_dir = "../data"
dataset = "2018-11-09-ad-invivo-1" 
data = ("2018-11-09-ad-invivo-1", "2018-11-09-ae-invivo-1", "2018-11-09-ag-invivo-1", "2018-11-13-aa-invivo-1", "2018-11-13-ac-invivo-1", "2018-11-13-ad-invivo-1", "2018-11-13-ah-invivo-1", "2018-11-13-ai-invivo-1", "2018-11-13-aj-invivo-1", "2018-11-13-ak-invivo-1", "2018-11-13-al-invivo-1", "2018-11-14-aa-invivo-1", "2018-11-14-ac-invivo-1", "2018-11-14-ad-invivo-1", "2018-11-14-af-invivo-1", "2018-11-14-ag-invivo-1", "2018-11-14-ah-invivo-1", "2018-11-14-ai-invivo-1", "2018-11-14-ak-invivo-1", "2018-11-14-al-invivo-1", "2018-11-14-am-invivo-1", "2018-11-14-an-invivo-1")



#for dataset in data:
eod = read_chirp_eod(os.path.join(data_dir, dataset))
times = read_chirp_times(os.path.join(data_dir, dataset))



df_map = {} #Keys werden nach df sortiert ausgegeben
for k in eod.keys():
	df = k[1]
	ch = k[3] 
	if df in df_map.keys():
		df_map[df].append(k)
	else:
		df_map[df] = [k]

#print(ch) #die Chirphöhe wird ausgegeben, um zu bestimmen, ob Chirps oder Chirps large benutzt wurde



#die äußere Schleife geht für alle Keys durch und somit durch alle dfs
#die innnere Schleife bildet die 16 Wiederholungen einer Frequenz in 4 Subplots ab
for i in df_map.keys():
	freq = list(df_map[i]) 
	fig,axs = plt.subplots(2, 2, sharex = True, sharey = True)

	for idx, k in enumerate(freq):
		ct = times[k]
		e1 = eod[k]
		zeit = e1[0]
		eods = e1[1]
	
		if idx <= 3:
			axs[0, 0].plot(zeit, eods, color= 'blue', linewidth = 0.25)
			axs[0, 0].scatter(np.asarray(ct), np.ones(len(ct))*3, color = 'green', s= 22)
		elif 4<= idx <= 7:
			axs[0, 1].plot(zeit, eods, color= 'blue', linewidth = 0.25)
			axs[0, 1].scatter(np.asarray(ct), np.ones(len(ct))*3, color = 'green', s= 22)
		elif 8<= idx <= 11:
			axs[1, 0].plot(zeit, eods, color= 'blue', linewidth = 0.25)
			axs[1, 0].scatter(np.asarray(ct), np.ones(len(ct))*3, color = 'green', s= 22)
		else: 
			axs[1, 1].plot(zeit, eods, color= 'blue', linewidth = 0.25)
			axs[1, 1].scatter(np.asarray(ct), np.ones(len(ct))*3, color = 'green', s= 22)


fig.suptitle('EOD for chirps', fontsize = 16)
axs[0,0].set_ylabel('Amplitude [mV]') 
axs[0,1].set_xlabel('Amplitude [mV]')
axs[1,0].set_xlabel('Time [ms]')
axs[1,1].set_xlabel('Time [ms]')
#axs kann nur einzelne Label erzeugen, nicht generell möglich wie beim Titel



for i in df_map.keys():
	freq = list(df_map[i])

	ct = times[freq[1]]
	ct1 = ct[1]

	e1 = eod[k]
	zeit = np.asarray(e1[0])
	ampl = np.asarray(e1[1])

	time_cut = zeit[(zeit > ct1-25) & (zeit < ct1+25)]
	eod_cut = ampl[(zeit > ct1-25) & (zeit < ct1+25)]

	change = ampl[int(ct1)]

	plt.figure(12)
	plt.plot(time_cut, eod_cut)
	plt.scatter(ct1, 3, color = 'green', s= 30)
	plt.title('Chirp reaction Ampl.')
	plt.xlabel('Time [ms]')
	plt.ylabel('Amplitude[mV]')
	#plt.show()


#4. Chirps einer Phase zuordnen - zusammen plotten?



#next Step: EOD-Amplitudenmodulation für beat aber OHNE Chirps plotten
#allerdings: in der Aufnahme sind nur kurze Zeitfenster ohne Chirps zu finden!