import re
import math
import statistics
from datetime import datetime
from sql_queries import DashboardQueries
from prediction_service import SOIPredictionService

class AnalysisService:
    """프로젝트 통계 및 활동성 분석 전문 서비스"""

    @staticmethod
    def calculate_activity_status(target_date_dt, log, file_count):
        """개별 프로젝트의 활동 상태 및 방치일 산출"""
        status, days = "unknown", 999
        file_val = int(file_count) if file_count else 0
        has_log = log and log != "데이터 없음" and log != "X"
        
        if file_val == 0:
            status = "unknown"
        elif has_log:
            if "폴더자동삭제" in log.replace(" ", ""):
                status = "stale"
                days = 999
            else:
                match = re.search(r'(\d{4})\.(\d{2})\.(\d{2})', log)
                if match:
                    log_date = datetime.strptime(match.group(0), "%Y.%m.%d")
                    diff = (target_date_dt - log_date).days
                    status = "active" if diff <= 7 else "warning" if diff <= 14 else "stale"
                    days = diff
                else:
                    status = "stale"
        else:
            status = "stale"
            
        return status, days

    @staticmethod
    def get_project_activity_logic(cursor, date_str):
        """활동도 분석 리포트 생성 로직"""
        if not date_str or date_str == "-":
            cursor.execute(DashboardQueries.GET_LAST_CRAWL_DATE)
            res = cursor.fetchone()
            target_date_val = res['last_date'] if res['last_date'] else datetime.now().date()
        else:
            target_date_val = datetime.strptime(date_str.replace(".", "-"), "%Y-%m-%d").date()

        target_date_dt = datetime.combine(target_date_val, datetime.min.time())
        cursor.execute(DashboardQueries.GET_PROJECT_LIST_FOR_ANALYSIS, (target_date_val,))
        rows = cursor.fetchall()
        
        analysis = {"summary": {"active": 0, "warning": 0, "stale": 0, "unknown": 0}, "details": []}
        for r in rows:
            status, days = AnalysisService.calculate_activity_status(target_date_dt, r['recent_log'], r['file_count'])
            analysis["summary"][status] += 1
            analysis["details"].append({"name": r['short_nm'] or r['project_nm'], "status": status, "days_ago": days})
            
        return analysis

    @staticmethod
    def get_p_zsr_analysis_logic(cursor):
        """절대적 방치 실태 고발 및 AI 위험 적응형(AAS) 분석 로직"""
        cursor.execute(DashboardQueries.GET_LAST_CRAWL_DATE)
        res_date = cursor.fetchone()
        if not res_date or not res_date['last_date']:
            return []
        last_date = res_date['last_date']
        
        cursor.execute("""
            SELECT m.project_id, m.project_nm, m.short_nm, m.department, m.master, 
                   h.recent_log, h.file_count, m.continent, m.country 
            FROM projects_master m
            LEFT JOIN projects_history h ON m.project_id = h.project_id AND h.crawl_date = %s
            ORDER BY m.project_id ASC
        """, (last_date,))
        projects = cursor.fetchall()
        
        if not projects: return []

        # [Step 1] AI 전처리: 부서별 평균 방치일 계산 (조직적 위험도 산출용)
        dept_stats = {}
        for p in projects:
            log = p['recent_log']
            days = 14 # 기본값
            if log and log != "데이터 없음":
                match = re.search(r'(\d{4})\.(\d{2})\.(\d{2})', log)
                if match:
                    log_date = datetime.strptime(match.group(0), "%Y.%m.%d").date()
                    days = (last_date - log_date).days
            
            dept = p['department'] or "미분류"
            if dept not in dept_stats: dept_stats[dept] = []
            dept_stats[dept].append(days)
        
        dept_avg_risk = {d: statistics.mean(days_list) for d, days_list in dept_stats.items()}

        # [Step 2] AI 위험 적응형 SOI 산출 (AAS 모델)
        results = []
        total_soi = 0
        
        for p in projects:
            file_count = int(p['file_count']) if p['file_count'] else 0
            log = p['recent_log']
            dept = p['department'] or "미분류"
            
            # 방치일 계산
            days_stagnant = 14
            if log and log != "데이터 없음":
                match = re.search(r'(\d{4})\.(\d{2})\.(\d{2})', log)
                if match:
                    log_date = datetime.strptime(match.group(0), "%Y.%m.%d").date()
                    days_stagnant = (last_date - log_date).days
            
            is_auto_delete = log and "폴더자동삭제" in log.replace(" ", "")
            
            # AI-Hazard 추론 로직 (Dynamic Lambda)
            # 1. 자산 규모 리스크 (파일이 많을수록 방치 시 가치 하락 가속)
            scale_impact = min(0.04, math.log10(file_count + 1) * 0.008) if file_count > 0 else 0
            
            # 2. 조직적 전염 리스크 (부서 전체가 방치 중이면 패널티 부여)
            dept_risk_days = dept_avg_risk.get(dept, 14)
            env_impact = min(0.03, (dept_risk_days / 30) * 0.01)
            
            # 최종 AI 위험 계수 산출 (기본 0.04에서 변동)
            ai_lambda = 0.04 + scale_impact + env_impact
            
            # 지수 감쇄 적용 (AAS Score)
            soi_score = math.exp(-ai_lambda * days_stagnant) * 100

            # [AI 데이터 진정성 검증 로직 - ECV 패널티 추가]
            # 파일이 하나도 없거나(유령), 현저히 적은 경우(껍데기) 활동의 진정성을 불신함
            existence_confidence = 1.0
            if file_count == 0:
                existence_confidence = 0.05 # 파일 0개는 로그가 있어도 최대 5% 미만으로 강제
            elif file_count < 10:
                existence_confidence = 0.4 # 파일 10개 미만은 활동 신뢰도 40%로 제한
            
            soi_score = soi_score * existence_confidence
            
            if is_auto_delete:
                soi_score = 0.1 

            # [AI 미래 예측 연동]
            history = SOIPredictionService.get_historical_soi(cursor, p['project_id'])
            predicted_soi = SOIPredictionService.predict_future_soi(history, days_ahead=14)

            total_soi += soi_score
            
            results.append({
                "project_nm": p['short_nm'] or p['project_nm'],
                "file_count": file_count,
                "days_stagnant": days_stagnant,
                "risk_count": 0,
                "p_war": round(soi_score, 1),
                "predicted_soi": predicted_soi,
                "is_auto_delete": is_auto_delete,
                "master": p['master'],
                "dept": p['department'],
                "ai_lambda": round(ai_lambda, 4), # 디버깅용 계수 포함
                "avg_info": {
                    "avg_files": 0,
                    "avg_stagnant": 0,
                    "avg_risk": round(total_soi / len(projects), 1)
                }
            })
        
        results.sort(key=lambda x: x['p_war'])
        return results