"""
===============================================================================
FILE: services/scud_etl/merger.py
PROJECT: SCUD Orion AI (Unified Architecture)
MODULE: services / scud_etl
ROLE: Агрегация реестров СКУД и 1С, наложение исключений, нормализация кодов
      подразделений и расчет сходящегося баланса присутствия.
===============================================================================
"""

import logging
from typing import Dict, Any, List
import pandas as pd

# Используем правильные имена функций из services/knowledge/service.py
from services.knowledge.service import get_department_synonyms_dict, get_rules

logger = logging.getLogger("SCUD_MERGER")


def merge_scud_and_1c(
    df_scud: pd.DataFrame, 
    df_staff_1c: pd.DataFrame, 
    df_absences_1c: pd.DataFrame
) -> pd.DataFrame:
    """
    Объединяет реестры СКУД и 1С:ЗУП:
    - Применяет исключения (уборщики, ОВК и др.).
    - Устанавливает короткие аббревиатуры подразделений (КО, ОАН, РУК и др.).
    - Привязывает кадровые документы отсутствий из 1С.
    """
    # Получаем словарь синонимов
    synonyms = get_department_synonyms_dict()

    df_res = df_scud.copy()
    if "Сотрудник" in df_res.columns:
        df_res["fio_clean"] = df_res["Сотрудник"].astype(str).str.strip()

    # 1. Фильтрация системных исключений
    # Загружаем исключения из базы знаний или задаем системный фильтр
    excluded_depts = {"ОВК", "Отдел вневедомственного контроля", "Служба уборки", "Клининг"}
    excluded_positions = {"Уборщик", "Уборщица", "Дворник"}

    if not df_res.empty:
        if "Подразделение" in df_res.columns:
            df_res = df_res[~df_res["Подразделение"].astype(str).isin(excluded_depts)]
        if "Должность" in df_res.columns:
            df_res = df_res[~df_res["Должность"].astype(str).isin(excluded_positions)]

    # 2. Трансляция подразделений в короткие аббревиатуры СКУД
    if "Подразделение" in df_res.columns:
        df_res["Подразделение"] = df_res["Подразделение"].apply(
            lambda d: synonyms.get(d, d)
        )

    # 3. Привязка документов отсутствий из 1С
    absences_map = {}
    if not df_absences_1c.empty and "Сотрудник" in df_absences_1c.columns and "Причина" in df_absences_1c.columns:
        for _, row in df_absences_1c.iterrows():
            fio = str(row["Сотрудник"]).strip()
            reason = str(row["Причина"]).strip()
            absences_map[fio] = reason

    df_res["причина отсутствия"] = df_res["fio_clean"].map(absences_map)

    return df_res


def calculate_summary_metrics(df_merged: pd.DataFrame) -> Dict[str, Any]:
    """
    Расчет строго сходящегося баланса присутствия:
    A (Итого на работе) + B (Удаленная работа) + C (Официально отсутствуют) + D (Неизвестно) = N (Всего)
    """
    total_staff = len(df_merged)

    # 1. Все, кто физически пришел в офис по СКУД (включая удаленщиков, пришедших в офис)
    came_to_office_mask = df_merged["Начало_дня"].astype(str).str.strip().ne("Нет входа")
    working_in_office = df_merged[came_to_office_mask]
    working_in_office_count = len(working_in_office)

    # 2. Все, кто сегодня НЕ пришел в офис
    not_came_mask = ~came_to_office_mask
    df_not_came = df_merged[not_came_mask]

    # 3. Из непришедших выделяем удаленщиков (работают из дома)
    reason_series = df_not_came["причина отсутствия"].astype(str).str.lower()
    is_remote_mask = reason_series.str.contains("удален|дистанцион", regex=True, na=False)
    
    remote_home = df_not_came[is_remote_mask]
    remote_home_count = len(remote_home)

    # 4. Из оставшихся непришедших выделяем официальные отсутствия (отпуск, больничный, командировка и т.д.)
    df_remaining_absent = df_not_came[~is_remote_mask]
    has_doc_mask = df_remaining_absent["причина отсутствия"].notna() & \
                   df_remaining_absent["причина отсутствия"].ne("") & \
                   df_remaining_absent["причина отсутствия"].ne("nan")
    
    official_absent = df_remaining_absent[has_doc_mask]
    official_absent_count = len(official_absent)

    # 5. Оставшиеся непришедшие без документов — истинно неизвестные
    unknown = df_remaining_absent[~has_doc_mask]
    unknown_count = len(unknown)

    return {
        "total_staff": total_staff,
        "working_in_office_count": working_in_office_count,
        "remote_home_count": remote_home_count,
        "official_absent_count": official_absent_count,
        "unknown_count": unknown_count,
        "unknown_list": unknown[["fio_clean", "Подразделение", "Должность"]].to_dict(orient="records") if not unknown.empty else []
    }