# Lade Mietpreise (enthält Stadtbezirk-Namen)
df_wohnen = pd.read_excel("https://mstatistik.muenchen.de/indikatorenatlas/export/xlsx/export_wo.xlsx", sheet_name='WOHNEN')

def prepare_mieten(indikator):
    df_temp = df_wohnen[
        (df_wohnen['Indikator'] == indikator) &
        (df_wohnen['Ausprägung'] == 'absolut') &
        (df_wohnen['Raumbezug'] != 'Stadt München')
    ].copy()
    df_temp['sb_nummer'] = df_temp['Raumbezug'].str.split(' ').str[0].astype(int).astype(str)
    df_temp['Indikatorwert'] = df_temp['Indikatorwert'].astype(str).str.replace(',', '.').astype(float)
    return df_temp

df_mieten_erst = prepare_mieten('Mieten Erstvermietung')
df_mieten_wieder = prepare_mieten('Mieten Wiedervermietung')

# Extrahiere Namen aus Wohndaten
stadtbezirke = dict(zip(
    df_mieten_wieder['sb_nummer'],
    df_mieten_wieder['Raumbezug'].str.split(' ', n=1).str[1]
))

# Lade Geodaten
response = requests.get("https://opendata.muenchen.de/api/3/action/package_search", params={"q": "Bezirksteile"})
geojson_url = next(r['url'] for r in response.json()["result"]["results"][0]['resources'] if r['format'].upper() == 'GEOJSON')

gdf = gpd.read_file(geojson_url).to_crs(epsg=4326)
gdf['sb_nummer'] = gdf['bt_nummer'].str.split('.').str[0].astype(int).astype(str)

gdf_stadtbezirke = gdf.dissolve(by='sb_nummer', aggfunc={'flaeche_qm': 'sum'}).reset_index()
gdf_stadtbezirke['name'] = gdf_stadtbezirke['sb_nummer'].map(stadtbezirke)

geojson_data = json.loads(gdf_stadtbezirke.to_json())
df = pd.DataFrame([f['properties'] for f in geojson_data['features']])
df['display_name'] = df['name']

# Zwei Karten mit Slider
jahre = sorted(df_mieten_erst['Jahr'].unique())
initial_jahr = max(jahre)
zmin = pd.concat([df_mieten_erst['Indikatorwert'], df_mieten_wieder['Indikatorwert']]).min()
zmax = pd.concat([df_mieten_erst['Indikatorwert'], df_mieten_wieder['Indikatorwert']]).max()

def create_trace(df_mieten_data, jahr, show_colorbar=False):
    df_jahr = df.merge(df_mieten_data[df_mieten_data['Jahr'] == jahr][['sb_nummer', 'Indikatorwert']], on='sb_nummer', how='left')
    return go.Choroplethmapbox(
        geojson=geojson_data, locations=df_jahr['sb_nummer'], z=df_jahr['Indikatorwert'],
        featureidkey="properties.sb_nummer", colorscale='Reds', zmin=zmin, zmax=zmax,
        marker_opacity=0.7, marker_line_width=2, marker_line_color='white',
        text=df_jahr['display_name'], customdata=df_jahr['Indikatorwert'],
        hovertemplate='<b>%{text}</b><br>Miete: %{customdata:.2f} €/m²<extra></extra>',
        showscale=show_colorbar, colorbar=dict(title='€/m²', x=1.02, len=0.7) if show_colorbar else None
    )

fig = make_subplots(rows=1, cols=2, subplot_titles=('Erstvermietung (Neubau)', 'Wiedervermietung (Bestand)'),
                    specs=[[{'type': 'mapbox'}, {'type': 'mapbox'}]], horizontal_spacing=0.02)

fig.add_trace(create_trace(df_mieten_erst, initial_jahr), row=1, col=1)
fig.add_trace(create_trace(df_mieten_wieder, initial_jahr, show_colorbar=True), row=1, col=2)

frames = [
    go.Frame(data=[create_trace(df_mieten_erst, j), create_trace(df_mieten_wieder, j, show_colorbar=True)],
             name=str(j), layout=go.Layout(title={'text': f'Mietpreise München {j}', 'x': 0.5, 'xanchor': 'center', 'font': {'size': 24, 'color': text_color}}))
    for j in jahre
]

fig.update_layout(
    title={'text': f'Mietpreise München {initial_jahr}', 'x': 0.5, 'xanchor': 'center', 'font': {'size': 24, 'color': text_color}},
    height=600, margin={"r": 0, "t": 80, "l": 0, "b": 100}, paper_bgcolor='rgba(0,0,0,0)',
    sliders=[{'active': jahre.index(initial_jahr), 'y': 0, 'x': 0.5, 'xanchor': 'center', 'currentvalue': {'visible': False},
              'len': 0.8, 'bgcolor': '#f9fafb', 'bordercolor': '#d1d5db', 'borderwidth': 1,
              'steps': [{'args': [[str(j)], {'frame': {'duration': 300, 'redraw': True}, 'mode': 'immediate'}], 'label': str(j), 'method': 'animate'} for j in jahre]}]
)

fig.update_mapboxes(style="carto-positron", center=dict(lat=48.15, lon=11.57), zoom=9.5)
fig.frames = frames
fig.show()

# Statistik: Top 5 teuerste und günstigste Stadtbezirke
df_erst_2024 = df_mieten_erst[df_mieten_erst['Jahr'] == max(jahre)][['sb_nummer', 'Indikatorwert']].rename(columns={'Indikatorwert': 'Erstvermietung'})
df_wieder_2024 = df_mieten_wieder[df_mieten_wieder['Jahr'] == max(jahre)][['sb_nummer', 'Indikatorwert']].rename(columns={'Indikatorwert': 'Wiedervermietung'})

df_stats = df[['sb_nummer', 'name']].merge(df_erst_2024, on='sb_nummer').merge(df_wieder_2024, on='sb_nummer')

# Top 5 nach Erstvermietung
erst_top5 = df_stats.nlargest(5, 'Erstvermietung')[['name', 'Erstvermietung']].reset_index(drop=True)
erst_bottom5 = df_stats.nsmallest(5, 'Erstvermietung')[['name', 'Erstvermietung']].reset_index(drop=True)

# Top 5 nach Wiedervermietung
wieder_top5 = df_stats.nlargest(5, 'Wiedervermietung')[['name', 'Wiedervermietung']].reset_index(drop=True)
wieder_bottom5 = df_stats.nsmallest(5, 'Wiedervermietung')[['name', 'Wiedervermietung']].reset_index(drop=True)

# Kombiniere zu einer Tabelle
df_top5 = pd.concat([
    erst_top5.rename(columns={'name': 'Neuvermietung', 'Erstvermietung': '€/m²'}),
    wieder_top5.rename(columns={'name': 'Wiedervermietung', 'Wiedervermietung': '€/m² '})
], axis=1)
df_top5.index = df_top5.index + 1

df_bottom5 = pd.concat([
    erst_bottom5.rename(columns={'name': 'Neuvermietung', 'Erstvermietung': '€/m²'}),
    wieder_bottom5.rename(columns={'name': 'Wiedervermietung', 'Wiedervermietung': '€/m² '})
], axis=1)
df_bottom5.index = df_bottom5.index + 1

# Styling für schmalere Tabellen
style = '<style>table {width: auto !important;} td, th {white-space: nowrap; padding: 4px 12px !important;}</style>'

from IPython.display import HTML
display(HTML(style))
print(f"Mietpreise {max(jahre)}\n")
print("Top 5 teuerste:")
display(df_top5)
print("\nTop 5 günstigste:")
display(df_bottom5)

# Lade Bevölkerungsdaten für Wohndauer
df_bev = pd.read_excel("https://mstatistik.muenchen.de/indikatorenatlas/export/xlsx/export_be.xlsx", sheet_name=1)

# Extrahiere Wohndauer an Adresse - STADTWEITER DURCHSCHNITT über Zeit
df_wohndauer_stadt = df_bev[
    (df_bev['Indikator'] == 'Wohndauer Adresse') &
    (df_bev[df_bev.columns[1]] == 'insgesamt') &
    (df_bev['Raumbezug'].str.contains('Stadt München', na=False))
].copy()
df_wohndauer_stadt['Wohndauer'] = df_wohndauer_stadt['Indikatorwert'].astype(str).str.replace(',', '.').astype(float)

# Plot: Zeitliche Entwicklung der Wohndauer
fig = go.Figure()

fig.add_trace(go.Scatter(
    x=df_wohndauer_stadt['Jahr'], y=df_wohndauer_stadt['Wohndauer'],
    mode='lines+markers', name='Wohndauer (Jahre)',
    line=dict(color=primary_color, width=3),
    marker=dict(size=8),
    hovertemplate='%{x}: %{y:.1f} Jahre<extra></extra>'
))

# Markiere den Wendepunkt 2016/2017
fig.add_vline(x=2016.5, line_dash="dash", line_color="gray", opacity=0.5)
fig.add_annotation(x=2016.5, y=11.3, text="Wendepunkt", showarrow=False, 
                   font=dict(size=10, color="gray"))

fig.update_layout(
    title={'text': 'Wohndauer in München 2000-2024<br><sup>Nach Jahren sinkender Wohndauer steigt sie seit 2017 wieder an</sup>', 
           'x': 0.5, 'xanchor': 'center', 'font': {'size': 18, 'color': text_color}},
    height=450, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)',
    hovermode='x unified'
)

fig.update_xaxes(title_text='Jahr', gridcolor='#f0f0f0', dtick=2)
fig.update_yaxes(title_text='Wohndauer (Jahre)', gridcolor='#f0f0f0', range=[10.5, 11.5])

fig.show()

# Statistik
print(f"\n{'='*60}")
print("WOHNDAUER IN MÜNCHEN 2000-2024")
print(f"{'='*60}")
print(f"\n  2000: {df_wohndauer_stadt[df_wohndauer_stadt['Jahr']==2000]['Wohndauer'].values[0]:.1f} Jahre")
print(f"  2016: {df_wohndauer_stadt[df_wohndauer_stadt['Jahr']==2016]['Wohndauer'].values[0]:.1f} Jahre (Tiefpunkt)")
print(f"  2024: {df_wohndauer_stadt[df_wohndauer_stadt['Jahr']==2024]['Wohndauer'].values[0]:.1f} Jahre")
print(f"\nSeit 2016 steigt die durchschnittliche Wohndauer wieder an.")

# Wohndauer pro Stadtbezirk - Veränderung über Zeit
df_wohndauer_bezirke = df_bev[
    (df_bev['Indikator'] == 'Wohndauer Adresse') &
    (df_bev[df_bev.columns[1]] == 'insgesamt') &
    (~df_bev['Raumbezug'].str.contains('Stadt München', na=False))
].copy()
df_wohndauer_bezirke['sb_nummer'] = df_wohndauer_bezirke['Raumbezug'].str.split(' ').str[0].astype(int).astype(str)
df_wohndauer_bezirke['Wohndauer'] = df_wohndauer_bezirke['Indikatorwert'].astype(str).str.replace(',', '.').astype(float)
df_wohndauer_bezirke['name'] = df_wohndauer_bezirke['sb_nummer'].map(stadtbezirke)

# Berechne Veränderung 2016 vs 2024 (Wendepunkt bis heute)
df_2016 = df_wohndauer_bezirke[df_wohndauer_bezirke['Jahr'] == 2016][['sb_nummer', 'Wohndauer']].rename(columns={'Wohndauer': 'Wohndauer_2016'})
df_2024 = df_wohndauer_bezirke[df_wohndauer_bezirke['Jahr'] == 2024][['sb_nummer', 'Wohndauer', 'name']].rename(columns={'Wohndauer': 'Wohndauer_2024'})
df_change = df_2016.merge(df_2024, on='sb_nummer')
df_change['Veraenderung'] = df_change['Wohndauer_2024'] - df_change['Wohndauer_2016']

df_map = df.merge(df_change, on='sb_nummer', how='left')

# Karte: Veränderung der Wohndauer 2016-2024
fig_map = go.Figure()

fig_map.add_trace(go.Choroplethmapbox(
    geojson=geojson_data, locations=df_map['sb_nummer'], z=df_map['Veraenderung'],
    featureidkey="properties.sb_nummer", 
    colorscale=[[0, '#E74C3C'], [0.5, '#f5f5f5'], [1, '#27AE60']],  # Rot-Weiß-Grün
    zmid=0,
    marker_opacity=0.8, marker_line_width=2, marker_line_color='white',
    text=df_map['display_name'], 
    customdata=list(zip(df_map['Wohndauer_2016'], df_map['Wohndauer_2024'], df_map['Veraenderung'])),
    hovertemplate='<b>%{text}</b><br>2016: %{customdata[0]:.1f} Jahre<br>2024: %{customdata[1]:.1f} Jahre<br>Veränderung: %{customdata[2]:+.1f} Jahre<extra></extra>',
    showscale=True, colorbar=dict(title='Veränderung<br>(Jahre)', tickformat='+.1f')
))

fig_map.update_layout(
    title={'text': 'Veränderung der Wohndauer 2016-2024 pro Stadtbezirk<br><sup>Grün = Menschen bleiben länger | Rot = Höhere Fluktuation</sup>', 
           'x': 0.5, 'xanchor': 'center', 'font': {'size': 18, 'color': text_color}},
    height=550, margin={"r": 0, "t": 80, "l": 0, "b": 20}, paper_bgcolor='rgba(0,0,0,0)',
    mapbox=dict(style="carto-positron", center=dict(lat=48.15, lon=11.57), zoom=9.5)
)

fig_map.show()

# Statistik: Top 5 Anstieg und Rückgang
df_sorted = df_change.sort_values('Veraenderung', ascending=False)

# Top 5 Anstieg (Menschen bleiben länger)
anstieg_top5 = df_sorted.head(5)[['name', 'Wohndauer_2016', 'Wohndauer_2024', 'Veraenderung']].reset_index(drop=True)
anstieg_top5.columns = ['Stadtbezirk', '2016', '2024', 'Δ']

# Top 5 Rückgang (höhere Fluktuation)
rueckgang_top5 = df_sorted.tail(5).sort_values('Veraenderung')[['name', 'Wohndauer_2016', 'Wohndauer_2024', 'Veraenderung']].reset_index(drop=True)
rueckgang_top5.columns = ['Stadtbezirk', '2016', '2024', 'Δ']

# Index bei 1 starten
anstieg_top5.index = anstieg_top5.index + 1
rueckgang_top5.index = rueckgang_top5.index + 1

print("Veränderung der Wohndauer 2016-2024 (in Jahren)\n")
print("Top 5 Anstieg (Menschen bleiben länger):")
display(anstieg_top5)
print("\nTop 5 Rückgang (höhere Fluktuation):")
display(rueckgang_top5)

# Konvergenz-Analyse: Gleichen sich die Stadtbezirke an?
df_konvergenz = df_wohndauer_bezirke.groupby('Jahr')['Wohndauer'].agg(['std', 'min', 'max', 'mean']).reset_index()
df_konvergenz['Spannweite'] = df_konvergenz['max'] - df_konvergenz['min']

fig = go.Figure()

# Standardabweichung
fig.add_trace(go.Scatter(
    x=df_konvergenz['Jahr'], y=df_konvergenz['std'],
    mode='lines+markers', name='Standardabweichung',
    line=dict(color=primary_color, width=3),
    marker=dict(size=8),
    hovertemplate='%{x}: %{y:.2f} Jahre<extra></extra>'
))

fig.update_layout(
    title={'text': 'Konvergenz der Wohndauer zwischen Stadtbezirken<br><sup>Sinkende Standardabweichung = Bezirke gleichen sich an</sup>', 
           'x': 0.5, 'xanchor': 'center', 'font': {'size': 18, 'color': text_color}},
    height=400, paper_bgcolor='rgba(0,0,0,0)', plot_bgcolor='rgba(0,0,0,0)',
    hovermode='x unified'
)

fig.update_xaxes(title_text='Jahr', gridcolor='#f0f0f0', dtick=2)
fig.update_yaxes(title_text='Standardabweichung (Jahre)', gridcolor='#f0f0f0')

fig.show()

# Statistik
print("Konvergenz-Analyse: Standardabweichung der Wohndauer zwischen Bezirken\n")
df_konv_stats = df_konvergenz[df_konvergenz['Jahr'].isin([2000, 2016, 2024])][['Jahr', 'std', 'min', 'max', 'Spannweite']].copy()
df_konv_stats.columns = ['Jahr', 'Std.abw.', 'Min', 'Max', 'Spannweite']
df_konv_stats = df_konv_stats.set_index('Jahr')
display(df_konv_stats.round(2))