"""
Bakgrunn:
Vi ønsker å undersøke kompleksiteten i språket til USAs presidenter. En måte å gjøre 
dette på er ved å se på hvor mye variasjon det er i ordbruken deres. Programmet under 
analyserer innsettingstalene (inagurals) fra alle USAs presidenter for å finne ut av
forholdet mellom hvor mange ord (tokens) de bruker og hvor mange unike ord (typer) 
de bruker. Dette kaller vi type/token-ratio.

Andre måter å undersøke språklig kompleksitet på inkluderer å se på 
setningslengde og ordlengde. Kan du implementere dette i programmet?
"""

import nltk
from nltk.corpus import inaugural
import matplotlib.pyplot as plt

# Sørge for at tekstene er lasta ned
nltk.download("inaugural")

# Her lagrer vi resultatene
results = {}

# Itererer over hver innsettingstale
for fileid in inaugural.fileids():
    # Lager en indre ordbok for talen
    results[fileid] = {}
    # Henter ord fra innsetingstalen
    words = inaugural.words(fileid)

    # Gjør til små bokstaver
    words = [word.lower() for word in words]

    # Henter antal tokens og typer
    num_tokens = len(words)
    unique_words = set(words)
    num_types = len(unique_words)

    # Regner ut type/token-ratio
    ttr = num_types / num_tokens

    # Lagrer resultater
    results[fileid]["num_tokens"] = num_tokens
    results[fileid]["num_types"] = num_types
    results[fileid]["type_token_ratio"] = ttr

# Printer resultatene for hver tale
for speech, metrics in results.items():
    print("Tale:", speech)
    print(" - Antall tokens:", metrics["num_tokens"])
    print(" - Antall typer:", metrics["num_types"])
    print(" - Type/token-ratio:", metrics["type_token_ratio"])

show_plot = input("Vil du se dataene som grafer? ja/nei ").lower()

if show_plot == "ja":
    # Lagrer lister med informasjonen vi trenger
    speeches = list(results.keys())
    num_tokens_values = [metrics["num_tokens"] for metrics in results.values()]

    # Lager graf
    plt.figure(figsize=(14, 6))
    plt.plot(speeches, num_tokens_values, marker="o", linestyle="-", color="b")
    plt.xticks(rotation=90, fontsize=8)
    plt.xlabel("Tale")
    plt.ylabel("Antall tokens")
    plt.title("Lengde på hver Inaugural Speech")
    plt.tight_layout()
    plt.show()

    num_types_values = [metrics["num_types"] for metrics in results.values()]
    plt.figure(figsize=(14, 6))
    plt.plot(speeches, num_types_values, marker="o", linestyle="-", color="b")
    plt.xticks(rotation=90, fontsize=8)
    plt.xlabel("Tale")
    plt.ylabel("Antall tokens")
    plt.title("Unike ord i hver Inaugural Speech")
    plt.tight_layout()
    plt.show()

    ttr_values = [metrics["type_token_ratio"] for metrics in results.values()]
    plt.figure(figsize=(14, 6))
    plt.plot(speeches, ttr_values, marker="o", linestyle="-", color="b")
    plt.xticks(rotation=90, fontsize=8)
    plt.xlabel("Tale")
    plt.ylabel("Type/Token Ratio")
    plt.title("Type/Token Ratio for hver Inaugural Speech")
    plt.tight_layout()
    plt.show()