"""Кривые дальности обнаружения по размеру предмета.

Читает результат `tools/make_benchmark.py` и строит то, что требует ТЗ, п. 5:
с какой дистанции предмет уверенно виден и как это зависит от его размера.

Считаются две величины:

* **вероятность обнаружения в поясе дальности** — доля кадров, в которых
  подтверждённый трек совпал с истинным положением предмета;
* **рабочая дальность** — самая дальняя точка, начиная с которой вероятность
  устойчиво держится выше порога при сближении. Именно она отвечает на вопрос
  «за сколько метров поезд увидел препятствие».

    python tools/plot_benchmark.py --in artifacts/benchmark.json
"""
from __future__ import annotations

import argparse
import json

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt  # noqa: E402
import numpy as np  # noqa: E402

import _bootstrap as B  # noqa: F401,E402

EDGES = np.array([0, 15, 25, 40, 55, 70, 90, 110, 135, 160, 190, 230], float)
MIN_VISIBLE_RAYS = 2       # меньше — предмет физически не освещён лучами


def curve(d: np.ndarray, hit: np.ndarray):
    """Вероятность обнаружения по поясам дальности."""
    idx = np.digitize(d, EDGES) - 1
    p, n, centres = [], [], []
    for b in range(len(EDGES) - 1):
        m = idx == b
        if m.sum() < 5:
            continue
        p.append(hit[m].mean())
        n.append(int(m.sum()))
        centres.append(0.5 * (EDGES[b] + EDGES[b + 1]))
    return np.array(centres), np.array(p), np.array(n)


def working_range(centres: np.ndarray, p: np.ndarray, thr: float = 0.5) -> float:
    """Дальняя граница устойчивого обнаружения.

    Идём от ближнего пояса к дальнему и останавливаемся там, где вероятность
    впервые опускается ниже порога: дальше объект уже теряется.
    """
    best = 0.0
    for c, v in sorted(zip(centres, p)):
        if v < thr:
            break
        best = c
    return best


def main() -> None:
    ap = argparse.ArgumentParser(description=__doc__)
    ap.add_argument("--in", dest="path", default=str(B.ARTIFACTS / "benchmark.json"))
    ap.add_argument("--thr", type=float, default=0.5)
    args = ap.parse_args()

    rec = json.load(open(args.path, encoding="utf-8"))
    by_obj: dict[str, list] = {}
    for r in rec:
        by_obj.setdefault(r["obj"], []).append(r)

    print(f"{'предмет':16s} {'площадь':>11s} | {'алгоритм':>8s} {'как есть':>9s} | "
          f"{'P@50м':>6s} {'P@100м':>7s} {'P@150м':>7s} | {'видим':>7s} | {'набл.':>6s}")
    print(f"{'':16s} {'':11s} | {'рабочая дальность, м':>18s} | "
          f"{'при условии видимости':>22s} |")
    print("-" * 104)

    fig, axes = plt.subplots(1, 3, figsize=(19, 5.2), dpi=110)
    for name, rows in sorted(by_obj.items(), key=lambda kv: -_size(kv[0])):
        d = np.concatenate([np.array(r["d"]) for r in rows])
        hit = np.concatenate([np.array(r["hit"]) for r in rows])
        rays = np.concatenate([np.array(r["rays"]) for r in rows])

        # видимость: в кривом тоннеле предмет за поворотом просто не освещён
        # лучами, и «непопадание» там ничего не говорит об алгоритме
        vis = rays >= MIN_VISIBLE_RAYS
        cv, pv, _ = curve(d, vis.astype(float))
        c, p, _ = curve(d, hit)
        cc, pc_, _ = curve(d[vis], hit[vis]) if vis.any() else (np.array([]),) * 3
        if c.size == 0:
            continue
        wr_alg = working_range(cc, pc_, args.thr) if cc.size else 0.0
        wr_op = working_range(c, p, args.thr)
        at = {x: float(np.interp(x, cc, pc_)) if cc.size else 0.0 for x in (50, 100, 150)}
        print(f"{name:16s} {_size(name):8.2f} м² | {wr_alg:8.0f} {wr_op:9.0f} | "
              f"{at[50]:6.2f} {at[100]:7.2f} {at[150]:7.2f} | {vis.mean():7.1%} | {d.size:6d}")

        axes[0].plot(cv, pv, marker=".", lw=1.2, label=name)
        if cc.size:
            axes[1].plot(cc, pc_, marker="o", ms=3.5, lw=1.4, label=name)
        axes[2].plot(c, p, marker="o", ms=3.5, lw=1.4, label=name)

    axes[0].set_title(f"1. Виден ли предмет вообще\n(≥{MIN_VISIBLE_RAYS} лучей попало)")
    axes[0].set_ylabel("доля кадров")
    axes[1].set_title("2. Обнаружение, когда предмет виден\n(качество алгоритма)")
    axes[1].set_ylabel("вероятность обнаружения")
    axes[2].set_title("3. Обнаружение как есть\n(эксплуатационная величина)")
    axes[2].set_ylabel("вероятность обнаружения")
    for ax in axes:
        ax.axhline(args.thr, color="k", ls="--", lw=0.8)
        ax.set_xlabel("истинная дистанция до предмета, м")
        ax.set_ylim(-0.03, 1.03); ax.grid(alpha=0.25)
        ax.legend(fontsize=7, ncol=2)

    B.FIGURES.mkdir(parents=True, exist_ok=True)
    out = B.FIGURES / "detection_range.png"
    fig.tight_layout(); fig.savefig(out)
    print("\nсохранено:", out)

    fp = np.concatenate([np.array(r["fp"]) for r in rec])
    print(f"посторонних тревог: {fp.sum():.0f} на {fp.size} наблюдений "
          f"({fp.mean():.3f} на кадр)")


def _size(name: str) -> float:
    from flyguard.synth import catalogue
    w, h = catalogue()[name].size
    return w * h


if __name__ == "__main__":
    main()