"""Разбор ложных тревог на одном бэге: кто именно сработал и почему.

Память обучается **без** проверяемого бэга (как в evaluate.py), затем конвейер
гоняется по нему и каждая подтверждённая цель записывается вместе с признаками
породившего её кандидата. На выходе — сводка по трекам: где стоял, сколько
кадров жил, какие у него размеры, новизна и наполненность габарита.

    python tools/diagnose_fp.py --bag roundT_doubleT --device cuda
"""
from __future__ import annotations

import argparse
from collections import defaultdict

import numpy as np

import _bootstrap as B  # noqa: F401
from flyguard.bag import Bag, find_bags
from flyguard.pipeline import FlyGuard, Params
from evaluate import OBSTACLE_BAG, TRUE_D, train_excluding


def main() -> None:
    ap = argparse.ArgumentParser(description=__doc__)
    ap.add_argument("--root", default=str(B.DATA / "for_hackathon"))
    ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz"))
    ap.add_argument("--extra-cache", default=str(B.CACHE / "new_data_candidates.npz"))
    ap.add_argument("--bag", default="roundT_doubleT")
    ap.add_argument("--limit", type=int, default=250)
    ap.add_argument("--device", default="cpu")
    args = ap.parse_args()

    from pathlib import Path
    d = np.load(args.cache, allow_pickle=True)
    per_bag = {str(k): d[f"X_{k}"].astype(np.float32) for k in d["names"]}
    extra = (np.load(args.extra_cache)["X"].astype(np.float32)
             if Path(args.extra_cache).exists() else None)

    bag_path = next(p for p in find_bags(args.root) if p.name == args.bag)
    memory = train_excluding(per_bag, extra, args.bag, 0.4, args.device)

    fg = FlyGuard(Params(), memory=memory)
    bag = Bag(bag_path)
    is_obs = args.bag == OBSTACLE_BAG

    per_track = defaultdict(list)
    s_world = 0.0
    n = 0
    for k, (_, pc) in enumerate(bag.frames(stop=args.limit)):
        res = fg.process(pc)
        if res is None:
            continue
        n += 1
        s_world += res.ego.ds if res.ego else 0.0
        for o in res.decision.objects:
            if is_obs and TRUE_D[0] < o.distance < TRUE_D[1]:
                continue
            # найти кандидата, породивший эту цель — ближайший по дальности
            best, err = None, 1e9
            for c in res.candidates:
                e = abs(c.d - o.distance)
                if e < err:
                    best, err = c, e
            per_track[o.track_id].append(dict(
                frame=k, s=s_world, d=o.distance, u=o.lateral, h=o.height,
                w=o.width, sv=o.size_v, conf=o.confidence, nov=o.novelty,
                rays=o.n_rays,
                cd=best.d if best else np.nan,
                cu=best.u if best else np.nan,
                ch=best.h if best else np.nan,
                chmin=best.h_min if best else np.nan,
                cdepth=best.depth if best else np.nan,
                ccont=best.containment if best else np.nan,
                cgap=best.gap if best else np.nan,
                caz=best.az_deg if best else np.nan,
                cel=best.el_deg if best else np.nan,
                cnov=best.novelty if best else np.nan,
                cinten=best.inten if best else np.nan,
                crings=best.n_rings if best else np.nan,
                ccols=best.n_cols if best else np.nan,
                cfloor=best.floor_deficit if best else np.nan,
                cshadow=best.shadow if best else np.nan,
            ))

    print(f"бэг {args.bag}: {n} кадров, путь {s_world:.0f} м, "
          f"ложных треков {len(per_track)}\n")
    hdr = (f"{'трек':>5s} {'кадров':>6s} {'кадры':>9s} {'d,м':>10s} {'u,м':>7s} "
           f"{'h,м':>6s} {'hmin':>6s} {'shxsv':>11s} {'глуб':>5s} {'напол':>6s} "
           f"{'зазор':>6s} {'лучей':>6s} {'кольц':>5s} {'стлб':>5s} "
           f"{'нов':>5s} {'инт':>5s} {'az°':>7s} {'el°':>6s} {'пол.деф':>7s}")
    print(hdr)
    print("-" * len(hdr))
    rows = sorted(per_track.items(), key=lambda kv: -len(kv[1]))
    for tid, recs in rows:
        a = {k: np.array([r[k] for r in recs], float) for k in recs[0]}
        med = lambda k: float(np.nanmedian(a[k]))
        print(f"{tid:5d} {len(recs):6d} {int(a['frame'][0]):4d}-{int(a['frame'][-1]):<4d} "
              f"{med('d'):5.1f}→{a['d'][-1]:4.1f} {med('u'):7.2f} "
              f"{med('h'):6.2f} {med('chmin'):6.2f} "
              f"{med('w'):5.2f}x{med('sv'):<5.2f} {med('cdepth'):5.2f} "
              f"{med('ccont'):6.2f} {med('cgap'):6.2f} {med('rays'):6.0f} "
              f"{med('crings'):5.0f} {med('ccols'):5.0f} "
              f"{med('nov'):5.2f} {med('cinten'):5.0f} "
              f"{med('caz'):7.2f} {med('cel'):6.2f} {med('cfloor'):7.2f}")


if __name__ == "__main__":
    main()