"""
Ce module contient les fonctions de service pour la prédiction de rendement et la recommandation de cultures.
- predict_yield: Prédit la production de la culture en fonction des données d'entrée.
- recommend: Recommande les meilleures cultures à planter en fonction des conditions d'entrée.
"""


from src.recommendations.recommender import recommend_best_crop
import pandas as pd
import numpy as np

def predict_yield(model, input_data: dict, crops_by_area: dict):
    """
    Prédit le rendement d'une culture en fonction des données d'entrée.
    Si la zone ou la culture spécifiée dans les données d'entrée n'est pas présente dans crops_by_area, une exception ValueError est levée avec un message d'erreur approprié.

    args:
    - model: Le modèle de prédiction pré-entraîné.
    - input_data: Un dictionnaire contenant les données d'entrée pour la prédiction.
    - crops_by_area: Un dictionnaire contenant les cultures disponibles par zone.
    returns:
    - float: La prédiction du rendement de la culture.
    """

    # =========================
    # Validation métier
    # =========================
    area = input_data.get("area")
    crop = input_data.get("item")

    if area is None:
        raise ValueError("Le champ 'area' est requis")

    if crop is None:
        raise ValueError("Le champ 'item' est requis")

    all_areas = {
        area_
        for areas in crops_by_area.values()
        for area_ in areas
    }

    if area not in all_areas:
        raise ValueError(f"Pays inconnu ou non présent dans les données : {area}")

    if crop not in crops_by_area:
        raise ValueError(f"Culture inconnue : {crop}")

    if area not in crops_by_area[crop]:
        raise ValueError(
            f"La culture '{crop}' n'est pas observée dans le pays '{area}'"
        )

    # =========================
    # Préparation des données
    # =========================
    df = pd.DataFrame([input_data])

    df["temp_rainfall"] = df["temp"] * df["rainfall_mm"]
    df["temp_pesticides"] = df["temp"] * df["pesticides"]
    df["rainfall_pesticides"] = df["rainfall_mm"] * df["pesticides"]

    # =========================
    # Prédiction
    # =========================
    pred_log = model.predict(df)[0]
    pred_real = float(np.expm1(pred_log))

    return pred_real

def recommend(model, input_data, crops_by_area):
    """
    Recommande les meilleures cultures à planter en fonction des conditions d'entrée.
    Si la zone spécifiée dans les données d'entrée n'est pas présente dans crops_by_area, une exception ValueError est levée avec un message d'erreur approprié.
    args:
        - model: Le modèle de recommandation pré-entraîné
        - input_data: Un dictionnaire contenant les données d'entrée pour la recommandation
        - crops_by_area: Un dictionnaire contenant les cultures disponibles par zone
    returns:
        - tuple: Un tuple contenant le meilleur choix de culture et le classement des cultures
    """
    if input_data["area"] not in {
        area for areas in crops_by_area.values() for area in areas
    }:
        raise ValueError(f"Pays inconnu ou non présent dans les données : {input_data['area']}")
    best_crop, ranking_df = recommend_best_crop(
        model=model,
        input_conditions=input_data,
        crops_by_area=crops_by_area,
        top_k=5
    )

    # Conversion en types Python natifs pour FastAPI / JSON
    best_crop_dict = {
        key: (
            float(value) if isinstance(value, (np.float32, np.float64)) else
            int(value) if isinstance(value, (np.int32, np.int64)) else
            value
        )
        for key, value in best_crop.to_dict().items()
    }

    ranking = ranking_df.to_dict(orient="records")

    for row in ranking:
        for key, value in row.items():
            if isinstance(value, (np.float32, np.float64)):
                row[key] = float(value)
            elif isinstance(value, (np.int32, np.int64)):
                row[key] = int(value)

    return best_crop_dict, ranking