from __future__ import annotations

from html import escape
from typing import Any

import branca.colormap as cm
import numpy as np
import pandas as pd
from scipy.interpolate import griddata

from app.core.elaboracao.charts import (
    _contorno_convexo_lng_lat,
    _mascara_dentro_poligono,
    _normalizar_stops_cor,
)
from app.core.map_layers import build_trabalhos_tecnicos_marker_payloads
from app.core.visualizacao.app import COR_PRINCIPAL, formatar_monetario


_LAT_ALIASES = {"lat", "latitude", "siat_latitude"}
_LON_ALIASES = {"lon", "longitude", "long", "siat_longitude"}
_TILE_LAYERS = [
    {
        "id": "positron",
        "label": "Positron",
        "url": "https://{s}.basemaps.cartocdn.com/light_all/{z}/{x}/{y}{r}.png",
        "attribution": "© OpenStreetMap contributors © CARTO",
    },
    {
        "id": "osm",
        "label": "OpenStreetMap",
        "url": "https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png",
        "attribution": "© OpenStreetMap contributors",
    },
]


def _primeira_serie_por_nome(dataframe: pd.DataFrame, nome_coluna: str) -> pd.Series | None:
    matches = [i for i, c in enumerate(dataframe.columns) if str(c) == str(nome_coluna)]
    if not matches:
        return None
    return dataframe.iloc[:, matches[0]]


def _detectar_coluna(df: pd.DataFrame, aliases: set[str]) -> str | None:
    for col in df.columns:
        if str(col).lower() in aliases:
            return str(col)
    return None


def _formatar_tooltip_valor(coluna: str | None, valor: Any) -> str:
    if valor is None:
        return "—"
    try:
        if pd.isna(valor):
            return "—"
    except Exception:
        pass

    col_norm = str(coluna or "").lower()
    if isinstance(valor, (int, float, np.integer, np.floating)):
        numero = float(valor)
        if not np.isfinite(numero):
            return "—"
        if any(k in col_norm for k in ["valor", "preco", "vu", "vunit"]):
            return formatar_monetario(numero)
        return f"{numero:,.2f}".replace(",", "X").replace(".", ",").replace("X", ".")
    return str(valor)


def _formatar_valor_resumo_mapa(coluna: str | None, valor: Any) -> str:
    return _formatar_tooltip_valor(coluna, valor)


def _formatar_indices_tooltip(indices: list[Any]) -> str:
    return ", ".join(str(item) for item in indices)


def _formatar_indices_badge(indices: list[Any], limite: int = 28) -> str:
    texto = ", ".join(str(item) for item in indices)
    if len(texto) <= limite:
        return texto
    return texto[: max(0, limite - 1)].rstrip(" ,") + "…"


def _tooltip_html_grupo_mercado(indices: list[Any], label: str | None = None, valores: list[str] | None = None) -> str:
    total = len(indices)
    indices_txt = escape(_formatar_indices_tooltip(indices))
    titulo = f"{total} dados neste local" if total != 1 else "1 dado neste local"
    html = (
        "<div style='font-family:\"Segoe UI\",Arial,sans-serif; font-size:14px; line-height:1.7; padding:2px 4px;'>"
        f"<b>{escape(titulo)}</b>"
        f"<br><span style='color:#555;'>Índices:</span> <b>{indices_txt}</b>"
    )
    valores_limpos = [str(item) for item in valores or [] if str(item).strip()]
    if label and valores_limpos:
        unicos = list(dict.fromkeys(valores_limpos))
        if len(unicos) == 1:
            resumo = unicos[0]
        else:
            resumo = "valores diferentes"
        html += f"<br><span style='color:#555;'>{escape(str(label))}:</span> <b>{escape(str(resumo))}</b>"
    html += "</div>"
    return html


def _resolver_bounds(df_mapa: pd.DataFrame, lat_key: str, lon_key: str) -> list[list[float]]:
    df_bounds = df_mapa
    if len(df_mapa) >= 8:
        lat_vals = df_mapa[lat_key]
        lon_vals = df_mapa[lon_key]
        lat_med = float(lat_vals.median())
        lon_med = float(lon_vals.median())
        lat_mad = float((lat_vals - lat_med).abs().median())
        lon_mad = float((lon_vals - lon_med).abs().median())
        lat_span = float(lat_vals.max() - lat_vals.min())
        lon_span = float(lon_vals.max() - lon_vals.min())
        lat_scale = max(lat_mad, lat_span / 30.0, 1e-6)
        lon_scale = max(lon_mad, lon_span / 30.0, 1e-6)
        score = ((lat_vals - lat_med) / lat_scale) ** 2 + ((lon_vals - lon_med) / lon_scale) ** 2
        lim = float(score.quantile(0.75))
        df_core = df_mapa[score <= lim]
        if len(df_core) >= max(5, int(len(df_mapa) * 0.45)):
            df_bounds = df_core

    if len(df_bounds) >= 50:
        lat_min, lat_max = df_bounds[lat_key].quantile([0.01, 0.99]).tolist()
        lon_min, lon_max = df_bounds[lon_key].quantile([0.01, 0.99]).tolist()
    else:
        lat_min, lat_max = float(df_bounds[lat_key].min()), float(df_bounds[lat_key].max())
        lon_min, lon_max = float(df_bounds[lon_key].min()), float(df_bounds[lon_key].max())

    if not np.isfinite(lat_min) or not np.isfinite(lat_max):
        lat_min, lat_max = float(df_mapa[lat_key].min()), float(df_mapa[lat_key].max())
    if not np.isfinite(lon_min) or not np.isfinite(lon_max):
        lon_min, lon_max = float(df_mapa[lon_key].min()), float(df_mapa[lon_key].max())

    if np.isclose(lat_min, lat_max):
        lat_min = float(lat_min) - 0.0008
        lat_max = float(lat_max) + 0.0008
    if np.isclose(lon_min, lon_max):
        lon_min = float(lon_min) - 0.0008
        lon_max = float(lon_max) + 0.0008

    return [[float(lat_min), float(lon_min)], [float(lat_max), float(lon_max)]]


def _normalizar_bounds_lista(bounds: list[list[float]] | None) -> list[list[float]] | None:
    coords = []
    for item in bounds or []:
        if not isinstance(item, (list, tuple)) or len(item) < 2:
            continue
        try:
            lat = float(item[0])
            lon = float(item[1])
        except Exception:
            continue
        if not np.isfinite(lat) or not np.isfinite(lon):
            continue
        coords.append((lat, lon))

    if not coords:
        return None

    lat_values = [lat for lat, _ in coords]
    lon_values = [lon for _, lon in coords]
    lat_min = min(lat_values)
    lat_max = max(lat_values)
    lon_min = min(lon_values)
    lon_max = max(lon_values)

    if np.isclose(lat_min, lat_max):
        lat_min -= 0.0008
        lat_max += 0.0008
    if np.isclose(lon_min, lon_max):
        lon_min -= 0.0008
        lon_max += 0.0008

    return [[float(lat_min), float(lon_min)], [float(lat_max), float(lon_max)]]


def build_leaflet_payload(
    *,
    bounds: list[list[float]] | None,
    center: list[float] | None = None,
    legend: dict[str, Any] | None = None,
    overlay_layers: list[dict[str, Any]] | None = None,
    notice: dict[str, Any] | None = None,
    show_bairros: bool = True,
    bairros_geojson_url: str = "/api/visualizacao/map/bairros.geojson",
) -> dict[str, Any] | None:
    normalized_bounds = _normalizar_bounds_lista(bounds)
    if normalized_bounds is None:
        return None

    if center and len(center) >= 2:
        center_lat = float(center[0])
        center_lon = float(center[1])
    else:
        center_lat = float((normalized_bounds[0][0] + normalized_bounds[1][0]) / 2.0)
        center_lon = float((normalized_bounds[0][1] + normalized_bounds[1][1]) / 2.0)

    final_overlay_layers = list(overlay_layers or [])
    if show_bairros:
        final_overlay_layers.insert(
            0,
            {
                "id": "bairros",
                "label": "Bairros",
                "show": True,
                "geojson_url": bairros_geojson_url,
                "geojson_pane": "mesa-bairros-pane",
                "geojson_style": {
                    "color": "#4c6882",
                    "weight": 1.15,
                    "opacity": 0.88,
                    "fillColor": "#f39c12",
                    "fillOpacity": 0.0,
                },
                "geojson_tooltip_properties": ["NOME", "BAIRRO", "NME_BAI", "NOME_BAIRRO"],
                "geojson_tooltip_label": "Bairro",
            },
        )

    return {
        "type": "mesa_leaflet_payload",
        "version": 1,
        "center": [center_lat, center_lon],
        "bounds": normalized_bounds,
        "tile_layers": _TILE_LAYERS,
        "controls": {
            "fullscreen": True,
            "measure": True,
            "layer_control": True,
        },
        "radius_behavior": {
            "min_radius": 1.6,
            "max_radius": 52.0,
            "reference_zoom": 12.0,
            "growth_factor": 0.20,
        },
        "legend": legend,
        "notice": notice,
        "overlay_layers": final_overlay_layers,
    }


def build_elaboracao_map_payload(
    df: pd.DataFrame,
    *,
    lat_col: str = "lat",
    lon_col: str = "lon",
    cor_col: str | None = None,
    indice_destacado: Any = None,
    tamanho_col: str | None = None,
    modo: str | None = "pontos",
    cor_vmin: float | None = None,
    cor_vmax: float | None = None,
    cor_caption: str | None = None,
    cor_colors: list[str] | None = None,
    cor_stops: list[float] | None = None,
    cor_tick_values: list[float] | None = None,
    cor_tick_labels: list[str] | None = None,
    bairros_geojson_url: str = "/api/visualizacao/map/bairros.geojson",
    popup_source: str | None = "mercado",
) -> dict[str, Any] | None:
    modo_normalizado = str(modo or "pontos").strip().lower()

    cols_lower = {str(c).lower(): c for c in df.columns}
    lat_real = cols_lower.get(str(lat_col).lower()) if str(lat_col).lower() in cols_lower else None
    lon_real = cols_lower.get(str(lon_col).lower()) if str(lon_col).lower() in cols_lower else None

    if lat_real is None:
        for nome in ["lat", "latitude", "siat_latitude"]:
            if nome in cols_lower:
                lat_real = cols_lower[nome]
                break
    if lon_real is None:
        for nome in ["lon", "longitude", "long", "siat_longitude"]:
            if nome in cols_lower:
                lon_real = cols_lower[nome]
                break
    if lat_real is None or lon_real is None:
        return None

    row_id_col = "__mesa_row_id__"
    df_mapa = df.copy()
    if popup_source and row_id_col not in df_mapa.columns:
        df_mapa[row_id_col] = np.arange(len(df_mapa), dtype=int)
    df_mapa[lat_real] = pd.to_numeric(df_mapa[lat_real], errors="coerce")
    df_mapa[lon_real] = pd.to_numeric(df_mapa[lon_real], errors="coerce")
    df_mapa = df_mapa.dropna(subset=[lat_real, lon_real])
    df_mapa = df_mapa[~((df_mapa[lat_real] == 0.0) & (df_mapa[lon_real] == 0.0))]
    df_mapa = df_mapa[
        (df_mapa[lat_real] >= -90.0)
        & (df_mapa[lat_real] <= 90.0)
        & (df_mapa[lon_real] >= -180.0)
        & (df_mapa[lon_real] <= 180.0)
    ].copy()
    if df_mapa.empty:
        return None

    limite_pontos = 2500
    total_pontos = len(df_mapa)
    houve_amostragem = total_pontos > limite_pontos
    if houve_amostragem:
        df_mapa = df_mapa.sample(n=limite_pontos, random_state=42).copy()

    centro_lat = float(df_mapa[lat_real].median())
    centro_lon = float(df_mapa[lon_real].median())

    colors = (
        [str(item) for item in cor_colors if str(item).strip()]
        if isinstance(cor_colors, list) and len(cor_colors) >= 2
        else ["#2ecc71", "#a8e06c", "#f1c40f", "#e67e22", "#e74c3c"]
    )
    modo_calor = modo_normalizado == "calor" and tamanho_col is not None and tamanho_col in df_mapa.columns
    modo_superficie = modo_normalizado == "superficie" and tamanho_col is not None and tamanho_col in df_mapa.columns
    if modo_normalizado not in {"pontos", "calor", "superficie"}:
        modo_normalizado = "pontos"

    cor_col_resolvida = cor_col or tamanho_col
    colormap = None
    legend = None
    if cor_col_resolvida and cor_col_resolvida in df_mapa.columns:
        serie_cor = pd.to_numeric(df_mapa[cor_col_resolvida], errors="coerce")
        vmin = float(cor_vmin) if cor_vmin is not None and np.isfinite(cor_vmin) else float(serie_cor.min())
        vmax = float(cor_vmax) if cor_vmax is not None and np.isfinite(cor_vmax) else float(serie_cor.max())
        if np.isfinite(vmin) and np.isfinite(vmax):
            if np.isclose(vmin, vmax):
                vmax = float(vmin) + 1.0
            color_index = _normalizar_stops_cor(cor_stops, colors, float(vmin), float(vmax))
            colormap_kwargs: dict[str, Any] = {
                "colors": colors,
                "vmin": float(vmin),
                "vmax": float(vmax),
                "caption": str(cor_caption or cor_col_resolvida),
            }
            if color_index is not None:
                colormap_kwargs["index"] = color_index
            colormap = cm.LinearColormap(**colormap_kwargs)
            legend = {
                "title": str(cor_caption or cor_col_resolvida),
                "vmin": float(vmin),
                "vmax": float(vmax),
                "colors": colors,
            }
            if (
                isinstance(cor_tick_values, list)
                and isinstance(cor_tick_labels, list)
                and len(cor_tick_values) == len(cor_tick_labels)
                and len(cor_tick_values) > 1
            ):
                try:
                    legend["tick_values"] = [float(item) for item in cor_tick_values]
                    legend["tick_labels"] = [str(item) for item in cor_tick_labels]
                except (TypeError, ValueError):
                    pass

    raio_min, raio_max = 3.0, 18.0
    tamanho_func = None
    if tamanho_col and tamanho_col in df_mapa.columns:
        serie_tamanho = pd.to_numeric(df_mapa[tamanho_col], errors="coerce")
        t_min = float(serie_tamanho.min())
        t_max = float(serie_tamanho.max())
        if np.isfinite(t_min) and np.isfinite(t_max):
            if t_max > t_min:
                tamanho_func = (
                    lambda v, _min=t_min, _max=t_max: raio_min
                    + (v - _min) / (_max - _min) * (raio_max - raio_min)
                )
            else:
                tamanho_func = lambda _v: (raio_min + raio_max) / 2.0

    mostrar_indices = not modo_calor and not modo_superficie and len(df_mapa) <= 800
    lat_plot_col = "__mesa_lat_plot__"
    lon_plot_col = "__mesa_lon_plot__"
    if not modo_calor and not modo_superficie:
        df_plot_pontos = df_mapa.copy()
        df_plot_pontos[lat_plot_col] = df_plot_pontos[lat_real]
        df_plot_pontos[lon_plot_col] = df_plot_pontos[lon_real]
    else:
        df_plot_pontos = df_mapa.copy()
        df_plot_pontos[lat_plot_col] = df_plot_pontos[lat_real]
        df_plot_pontos[lon_plot_col] = df_plot_pontos[lon_real]

    overlay_layers: list[dict[str, Any]] = []
    if modo_calor and tamanho_col and tamanho_col in df_mapa.columns:
        pesos = pd.to_numeric(df_mapa[tamanho_col], errors="coerce")
        mask_pesos = np.isfinite(pesos.to_numpy())
        df_calor = df_mapa.loc[mask_pesos, [lat_real, lon_real]].copy()
        if not df_calor.empty:
            pesos_validos = pesos.loc[df_calor.index].to_numpy(dtype=float)
            fixed_scale = (
                cor_vmin is not None
                and cor_vmax is not None
                and np.isfinite(cor_vmin)
                and np.isfinite(cor_vmax)
                and float(cor_vmax) > float(cor_vmin)
            )
            if fixed_scale:
                peso_min = float(cor_vmin)
                peso_max = float(cor_vmax)
                pesos_clip = np.clip(pesos_validos, peso_min, peso_max)
                pesos_norm = (pesos_clip - peso_min) / (peso_max - peso_min)
            else:
                peso_min = float(np.min(pesos_validos))
                peso_max = float(np.max(pesos_validos))
                if np.isfinite(peso_min) and np.isfinite(peso_max) and peso_max > peso_min:
                    pesos_norm = 0.1 + 0.9 * (pesos_validos - peso_min) / (peso_max - peso_min)
                else:
                    pesos_norm = np.ones_like(pesos_validos)
            gradient = None
            if len(colors) >= 2:
                if (
                    cor_vmin is not None
                    and cor_vmax is not None
                    and np.isfinite(cor_vmin)
                    and np.isfinite(cor_vmax)
                    and float(cor_vmax) > float(cor_vmin)
                ):
                    color_index = _normalizar_stops_cor(cor_stops, colors, float(cor_vmin), float(cor_vmax))
                    if color_index is not None:
                        gradient = {}
                        for stop, color in zip(color_index, colors):
                            ratio = (float(stop) - float(cor_vmin)) / (float(cor_vmax) - float(cor_vmin))
                            gradient[float(np.clip(ratio, 0.0, 1.0))] = color
                    elif len(colors) == 2:
                        gradient = {0.0: colors[0], 1.0: colors[1]}
                    else:
                        gradient = {i / (len(colors) - 1): colors[i] for i in range(len(colors))}
                elif len(colors) == 2:
                    gradient = {0.0: colors[0], 1.0: colors[1]}
                else:
                    gradient = {i / (len(colors) - 1): colors[i] for i in range(len(colors))}
            overlay_layers.append(
                {
                    "id": "mapa_calor",
                    "label": "Mapa de calor",
                    "show": True,
                    "heatmap": {
                        "points": [
                            {
                                "lat": float(df_calor.iloc[idx][lat_real]),
                                "lon": float(df_calor.iloc[idx][lon_real]),
                                "weight": float(pesos_norm[idx]),
                            }
                            for idx in range(len(df_calor))
                        ],
                        "radius": 20,
                        "blur": 18,
                        "min_opacity": 0.28,
                        "max_zoom": 17,
                        "gradient": gradient,
                    },
                }
            )
    elif modo_superficie and tamanho_col and tamanho_col in df_mapa.columns:
        lats = pd.to_numeric(df_mapa[lat_real], errors="coerce").to_numpy(dtype=float)
        lons = pd.to_numeric(df_mapa[lon_real], errors="coerce").to_numpy(dtype=float)
        valores = pd.to_numeric(df_mapa[tamanho_col], errors="coerce").to_numpy(dtype=float)
        mask_valid = np.isfinite(lats) & np.isfinite(lons) & np.isfinite(valores)
        if mask_valid.sum() >= 6:
            lats = lats[mask_valid]
            lons = lons[mask_valid]
            valores = valores[mask_valid]
            contorno = _contorno_convexo_lng_lat(lons, lats)
            if contorno is not None:
                lon_min = float(np.min(contorno[:, 0]))
                lon_max = float(np.max(contorno[:, 0]))
                lat_min = float(np.min(contorno[:, 1]))
                lat_max = float(np.max(contorno[:, 1]))
                if not np.isclose(lon_min, lon_max) and not np.isclose(lat_min, lat_max):
                    n_obs = len(valores)
                    n_grid = 46 if n_obs <= 400 else (40 if n_obs <= 1200 else 34)
                    grid_lon = np.linspace(lon_min, lon_max, n_grid)
                    grid_lat = np.linspace(lat_min, lat_max, n_grid)
                    mesh_lon, mesh_lat = np.meshgrid(grid_lon, grid_lat)
                    pontos = np.column_stack([lons, lats])
                    try:
                        superficie = griddata(pontos, valores, (mesh_lon, mesh_lat), method="linear")
                    except Exception:
                        superficie = None
                    if superficie is not None:
                        superficie = np.asarray(superficie, dtype=float)
                        if np.isnan(superficie).all():
                            try:
                                superficie = griddata(pontos, valores, (mesh_lon, mesh_lat), method="nearest")
                            except Exception:
                                superficie = None
                        elif np.isnan(superficie).any():
                            try:
                                nearest = griddata(pontos, valores, (mesh_lon, mesh_lat), method="nearest")
                            except Exception:
                                nearest = None
                            if nearest is not None:
                                superficie = np.where(np.isfinite(superficie), superficie, np.asarray(nearest, dtype=float))
                        if superficie is not None:
                            superficie = np.asarray(superficie, dtype=float)
                            mascara = _mascara_dentro_poligono(mesh_lon, mesh_lat, contorno)
                            superficie = np.where(mascara, superficie, np.nan)
                            if np.isfinite(superficie).any():
                                vmin_sup = float(cor_vmin) if cor_vmin is not None and np.isfinite(cor_vmin) else float(np.nanmin(superficie))
                                vmax_sup = float(cor_vmax) if cor_vmax is not None and np.isfinite(cor_vmax) else float(np.nanmax(superficie))
                                if np.isfinite(vmin_sup) and np.isfinite(vmax_sup):
                                    if np.isclose(vmin_sup, vmax_sup):
                                        vmax_sup = vmin_sup + 1.0
                                    color_index = _normalizar_stops_cor(cor_stops, colors, vmin_sup, vmax_sup)
                                    colormap_kwargs = {
                                        "colors": colors,
                                        "vmin": float(vmin_sup),
                                        "vmax": float(vmax_sup),
                                        "caption": str(cor_caption or f"{tamanho_col} (superfície)"),
                                    }
                                    if color_index is not None:
                                        colormap_kwargs["index"] = color_index
                                    colormap = cm.LinearColormap(**colormap_kwargs)
                                    legend = {
                                        "title": str(cor_caption or f"{tamanho_col} (superfície)"),
                                        "vmin": float(vmin_sup),
                                        "vmax": float(vmax_sup),
                                        "colors": colors,
                                    }
                                    if (
                                        isinstance(cor_tick_values, list)
                                        and isinstance(cor_tick_labels, list)
                                        and len(cor_tick_values) == len(cor_tick_labels)
                                        and len(cor_tick_values) > 1
                                    ):
                                        try:
                                            legend["tick_values"] = [float(item) for item in cor_tick_values]
                                            legend["tick_labels"] = [str(item) for item in cor_tick_labels]
                                        except (TypeError, ValueError):
                                            pass
                                    centros_lon = (grid_lon[:-1] + grid_lon[1:]) / 2.0
                                    centros_lat = (grid_lat[:-1] + grid_lat[1:]) / 2.0
                                    centro_mesh_lon, centro_mesh_lat = np.meshgrid(centros_lon, centros_lat)
                                    mascara_centros = _mascara_dentro_poligono(centro_mesh_lon, centro_mesh_lat, contorno)
                                    valores_celula = (
                                        superficie[:-1, :-1]
                                        + superficie[1:, :-1]
                                        + superficie[:-1, 1:]
                                        + superficie[1:, 1:]
                                    ) / 4.0
                                    shapes = []
                                    for i in range(valores_celula.shape[0]):
                                        for j in range(valores_celula.shape[1]):
                                            if not mascara_centros[i, j]:
                                                continue
                                            valor = valores_celula[i, j]
                                            if not np.isfinite(valor):
                                                continue
                                            cor = str(colormap(float(valor)))
                                            valor_fmt = f"{float(valor):.3f}".replace(".", ",")
                                            shapes.append(
                                                {
                                                    "type": "polygon",
                                                    "coords": [
                                                        [float(grid_lat[i]), float(grid_lon[j])],
                                                        [float(grid_lat[i]), float(grid_lon[j + 1])],
                                                        [float(grid_lat[i + 1]), float(grid_lon[j + 1])],
                                                        [float(grid_lat[i + 1]), float(grid_lon[j])],
                                                    ],
                                                    "color": cor,
                                                    "weight": 0,
                                                    "fill": True,
                                                    "fill_color": cor,
                                                    "fill_opacity": 0.6,
                                                    "tooltip_html": (
                                                        f"<div style='font-family:\"Segoe UI\",Arial,sans-serif; font-size:13px;'>"
                                                        f"{str(tamanho_col)} interpolado: <b>{valor_fmt}</b>"
                                                        "</div>"
                                                    ),
                                                }
                                            )
                                    if shapes:
                                        overlay_layers.append(
                                            {
                                                "id": "superficie_continua",
                                                "label": "Superfície contínua",
                                                "show": True,
                                                "shapes": shapes,
                                            }
                                        )
    else:
        market_points: list[dict[str, Any]] = []
        indices_markers: list[dict[str, Any]] = []
        grupos_coord = df_plot_pontos.groupby(
            [df_plot_pontos[lat_real].round(7), df_plot_pontos[lon_real].round(7)],
            sort=False,
        ).indices
        for marker_ordem, posicoes_raw in enumerate(grupos_coord.values()):
            posicoes = list(posicoes_raw)
            rows_grupo = [df_plot_pontos.iloc[int(pos)] for pos in posicoes]
            row = rows_grupo[0]
            idx = row.name
            registros_grupo: list[dict[str, Any]] = []
            indices_display: list[Any] = []
            valores_tooltip: list[str] = []
            cores_grupo: list[str] = []
            raios_grupo: list[float] = []
            destaque_grupo = False

            for pos in posicoes:
                row_item = df_plot_pontos.iloc[int(pos)]
                idx_item = row_item.name
                idx_display_item = int(idx_item) if isinstance(idx_item, (int, np.integer)) else int(pos) + 1
                indices_display.append(idx_display_item)
                valor_texto = ""
                if tamanho_col and tamanho_col in df_plot_pontos.columns:
                    valor_texto = _formatar_valor_resumo_mapa(str(tamanho_col), row_item[tamanho_col])
                    valores_tooltip.append(valor_texto)

                cor_item = COR_PRINCIPAL
                if colormap and cor_col_resolvida and cor_col_resolvida in df_mapa.columns:
                    valor_cor = pd.to_numeric(pd.Series([row_item.get(cor_col_resolvida)]), errors="coerce").iloc[0]
                    if pd.notna(valor_cor):
                        cor_item = str(colormap(float(valor_cor)))
                cores_grupo.append(cor_item)

                if idx_item == indice_destacado:
                    raio_item = raio_max + 4.0
                    destaque_grupo = True
                elif tamanho_func and tamanho_col and tamanho_col in row_item.index and pd.notna(row_item[tamanho_col]):
                    raio_item = float(tamanho_func(float(row_item[tamanho_col])))
                else:
                    raio_item = 4.0
                raios_grupo.append(float(max(1.0, raio_item)))

                row_id_raw_item = row_item[row_id_col] if popup_source and row_id_col in row_item.index else None
                popup_request_item = None
                if row_id_raw_item is not None and pd.notna(row_id_raw_item):
                    popup_request_item = {
                        "kind": "elaboracao_row",
                        "row_id": int(row_id_raw_item),
                        "source": str(popup_source),
                    }
                registros_grupo.append(
                    {
                        "indice": idx_display_item,
                        "label": f"Índice {idx_display_item}",
                        "value_label": str(tamanho_col or ""),
                        "value": valor_texto,
                        "popup_request": popup_request_item,
                    }
                )

            cor = cores_grupo[0] if cores_grupo else COR_PRINCIPAL
            raio = max(raios_grupo) if raios_grupo else 4.0
            stroke_weight = 3.0 if destaque_grupo else 1.0
            fill_opacity = 0.8 if destaque_grupo else 0.6
            is_grouped = len(rows_grupo) > 1
            idx_display = indices_display[0] if indices_display else marker_ordem + 1
            tooltip_html = _tooltip_html_grupo_mercado(
                indices_display,
                label=str(tamanho_col or "") if tamanho_col else None,
                valores=valores_tooltip,
            ) if is_grouped else (
                "<div style='font-family:\"Segoe UI\",Arial,sans-serif; font-size:14px; line-height:1.7; padding:2px 4px;'>"
                f"<b>Índice {idx_display}</b>"
                + (
                    f"<br><span style='color:#555;'>{escape(str(tamanho_col))}:</span> <b>{escape(valores_tooltip[0])}</b>"
                    if tamanho_col and valores_tooltip
                    else ""
                )
                + "</div>"
            )

            point_payload = {
                "lat": float(row[lat_plot_col]),
                "lon": float(row[lon_plot_col]),
                "indice": _formatar_indices_badge(indices_display) if is_grouped else idx_display,
                "color": cor,
                "base_radius": float(max(1.0, raio)),
                "stroke_color": "#243746" if is_grouped else "#000000",
                "stroke_weight": float(max(stroke_weight, 2.0) if is_grouped else stroke_weight),
                "fill_opacity": float(0.74 if is_grouped else fill_opacity),
                "tooltip_html": tooltip_html,
            }
            if is_grouped:
                point_payload.update(
                    {
                        "grouped": True,
                        "count": len(rows_grupo),
                        "group_title": f"{len(rows_grupo)} dados neste local",
                        "group_items": registros_grupo,
                    }
                )
            else:
                point_payload["popup_request"] = registros_grupo[0].get("popup_request") if registros_grupo else None
            market_points.append(point_payload)

            if mostrar_indices:
                indices_markers.append(
                    {
                        "lat": float(row[lat_plot_col]),
                        "lon": float(row[lon_plot_col]),
                        "marker_html": (
                            '<div style="transform: translate(10px, -14px);display:inline-block;background: rgba(255, 255, 255, 0.9);'
                            + 'border: 1px solid rgba(28, 45, 66, 0.45);border-radius: 10px;padding: 1px 6px;font-size: 11px;'
                            + 'font-weight: 700;line-height: 1.2;color: #1f2f44;white-space: nowrap;box-shadow: 0 1px 2px rgba(0, 0, 0, 0.18);'
                            + 'pointer-events: none;">'
                            + escape(_formatar_indices_badge(indices_display))
                            + "</div>"
                        ),
                        "icon_size": [96 if is_grouped else 72, 24],
                        "icon_anchor": [0, 0],
                        "class_name": "mesa-indice-label",
                        "interactive": False,
                        "keyboard": False,
                    }
                )

        overlay_layers.append(
            {
                "id": "mercado",
                "label": "Mercado",
                "show": True,
                "points": market_points,
            }
        )
        if mostrar_indices and indices_markers:
            overlay_layers.append(
                {
                    "id": "indices",
                    "label": "Índices",
                    "show": False,
                    "markers": indices_markers,
                }
            )

    notice = None
    if houve_amostragem:
        notice = {
            "message": f"Exibindo {len(df_mapa)} de {total_pontos} pontos para melhor desempenho.",
            "position": "topright",
        }

    return build_leaflet_payload(
        bounds=_resolver_bounds(df_mapa, str(lat_real), str(lon_real)),
        center=[centro_lat, centro_lon],
        legend=legend,
        notice=notice,
        overlay_layers=overlay_layers,
        show_bairros=True,
        bairros_geojson_url=bairros_geojson_url,
    )


def build_visualizacao_map_payload(
    df: pd.DataFrame,
    *,
    cor_col: str | None = None,
    tamanho_col: str | None = None,
    col_y: str | None = None,
    avaliandos_tecnicos: list[dict[str, Any]] | None = None,
    bairros_geojson_url: str = "/api/visualizacao/map/bairros.geojson",
) -> dict[str, Any] | None:
    lat_real = _detectar_coluna(df, _LAT_ALIASES)
    lon_real = _detectar_coluna(df, _LON_ALIASES)
    if lat_real is None or lon_real is None:
        return None

    df_mapa = df.copy()
    lat_key = "__mesa_lat__"
    lon_key = "__mesa_lon__"
    lat_serie = _primeira_serie_por_nome(df_mapa, lat_real)
    lon_serie = _primeira_serie_por_nome(df_mapa, lon_real)
    if lat_serie is None or lon_serie is None:
        return None

    df_mapa[lat_key] = pd.to_numeric(lat_serie, errors="coerce")
    df_mapa[lon_key] = pd.to_numeric(lon_serie, errors="coerce")
    df_mapa = df_mapa.dropna(subset=[lat_key, lon_key])
    df_mapa = df_mapa[
        (df_mapa[lat_key] >= -90.0)
        & (df_mapa[lat_key] <= 90.0)
        & (df_mapa[lon_key] >= -180.0)
        & (df_mapa[lon_key] <= 180.0)
    ].copy()
    if df_mapa.empty:
        return None

    centro_lat = float(df_mapa[lat_key].median())
    centro_lon = float(df_mapa[lon_key].median())

    cor_col_resolvida = cor_col
    if tamanho_col and tamanho_col != "Visualização Padrão" and not cor_col_resolvida:
        cor_col_resolvida = tamanho_col

    colormap = None
    cor_key = None
    legend = None
    if cor_col_resolvida and cor_col_resolvida in df_mapa.columns:
        serie_cor = _primeira_serie_por_nome(df_mapa, cor_col_resolvida)
        if serie_cor is not None:
            cor_key = "__mesa_cor__"
            df_mapa[cor_key] = pd.to_numeric(serie_cor, errors="coerce")
            vmin = df_mapa[cor_key].min()
            vmax = df_mapa[cor_key].max()
            if pd.notna(vmin) and pd.notna(vmax):
                colormap = cm.LinearColormap(
                    colors=["#2ecc71", "#a8e06c", "#f1c40f", "#e67e22", "#e74c3c"],
                    vmin=vmin,
                    vmax=vmax,
                    caption=cor_col_resolvida,
                )
                legend = {
                    "title": str(cor_col_resolvida),
                    "vmin": float(vmin),
                    "vmax": float(vmax),
                    "colors": ["#2ecc71", "#a8e06c", "#f1c40f", "#e67e22", "#e74c3c"],
                }

    raio_min, raio_max = 3.0, 18.0
    tamanho_func = None
    tamanho_key = None
    if tamanho_col and tamanho_col != "Visualização Padrão" and tamanho_col in df_mapa.columns:
        serie_tamanho = _primeira_serie_por_nome(df_mapa, tamanho_col)
        if serie_tamanho is not None:
            tamanho_key = "__mesa_tamanho__"
            df_mapa[tamanho_key] = pd.to_numeric(serie_tamanho, errors="coerce")
            t_min = df_mapa[tamanho_key].min()
            t_max = df_mapa[tamanho_key].max()
            if pd.notna(t_min) and pd.notna(t_max):
                if t_max > t_min:
                    tamanho_func = (
                        lambda v, _min=t_min, _max=t_max: raio_min
                        + (v - _min) / (_max - _min) * (raio_max - raio_min)
                    )
                else:
                    tamanho_func = lambda v: (raio_min + raio_max) / 2.0

    show_indices = False
    lat_plot_key = "__mesa_lat_plot__"
    lon_plot_key = "__mesa_lon_plot__"
    df_plot_pontos = df_mapa.copy()
    df_plot_pontos[lat_plot_key] = df_plot_pontos[lat_key]
    df_plot_pontos[lon_plot_key] = df_plot_pontos[lon_key]

    tooltip_col = None
    tooltip_key = None
    if tamanho_key:
        tooltip_col = tamanho_col
        tooltip_key = tamanho_key
    elif col_y and col_y in df_mapa.columns:
        serie_tooltip = _primeira_serie_por_nome(df_mapa, col_y)
        if serie_tooltip is not None:
            tooltip_col = col_y
            tooltip_key = "__mesa_tooltip__"
            df_mapa[tooltip_key] = serie_tooltip
            df_plot_pontos[tooltip_key] = df_mapa.loc[df_plot_pontos.index, tooltip_key]

    total_pontos_plot = len(df_plot_pontos)
    raio_padrao = 4.0 if total_pontos_plot <= 2500 else 3.0

    market_points: list[dict[str, Any]] = []
    grupos_coord = df_plot_pontos.groupby(
        [df_plot_pontos[lat_key].round(7), df_plot_pontos[lon_key].round(7)],
        sort=False,
    ).indices
    for marker_ordem, posicoes_raw in enumerate(grupos_coord.values()):
        posicoes = list(posicoes_raw)
        rows_grupo = [df_plot_pontos.iloc[int(pos)] for pos in posicoes]
        row = rows_grupo[0]
        indices_display: list[Any] = []
        registros_grupo: list[dict[str, Any]] = []
        valores_tooltip: list[str] = []
        cores_grupo: list[str] = []
        raios_grupo: list[float] = []

        for pos in posicoes:
            row_item = df_plot_pontos.iloc[int(pos)]
            idx_item = row_item.name
            idx_display_item = int(row_item["index"]) if "index" in row_item.index else int(idx_item)
            indices_display.append(idx_display_item)

            valor_texto = (
                _formatar_tooltip_valor(str(tooltip_col or ""), row_item[tooltip_key])
                if tooltip_col and tooltip_key and tooltip_key in row_item.index
                else ""
            )
            if valor_texto:
                valores_tooltip.append(valor_texto)

            cor_item = colormap(row_item[cor_key]) if colormap and cor_key and pd.notna(row_item[cor_key]) else COR_PRINCIPAL
            cores_grupo.append(str(cor_item))
            if tamanho_func and tamanho_key and pd.notna(row_item[tamanho_key]):
                raio_item = float(tamanho_func(row_item[tamanho_key]))
            else:
                raio_item = raio_padrao
            raios_grupo.append(float(max(1.0, raio_item)))

            row_id_raw_item = row_item["__mesa_row_id__"] if "__mesa_row_id__" in row_item.index else None
            row_id_item = int(row_id_raw_item) if row_id_raw_item is not None and pd.notna(row_id_raw_item) else None
            registros_grupo.append(
                {
                    "indice": idx_display_item,
                    "label": f"Índice {idx_display_item}",
                    "value_label": str(tooltip_col or ""),
                    "value": valor_texto,
                    "popup_request": (
                        {"kind": "visualizacao_row", "row_id": row_id_item}
                        if row_id_item is not None
                        else None
                    ),
                }
            )

        is_grouped = len(rows_grupo) > 1
        idx_display = indices_display[0] if indices_display else marker_ordem
        cor = cores_grupo[0] if cores_grupo else COR_PRINCIPAL
        raio = max(raios_grupo) if raios_grupo else raio_padrao
        tooltip_payload = {
            "title": f"Índice {idx_display}",
            "label": str(tooltip_col or ""),
            "value": valores_tooltip[0] if valores_tooltip else "",
        }
        row_id_raw = row["__mesa_row_id__"] if "__mesa_row_id__" in row.index else None
        point_payload = {
            "lat": float(row[lat_plot_key]),
            "lon": float(row[lon_plot_key]),
            "indice": _formatar_indices_badge(indices_display) if is_grouped else idx_display,
            "row_id": int(row_id_raw) if (not is_grouped and row_id_raw is not None and pd.notna(row_id_raw)) else None,
            "color": str(cor),
            "base_radius": float(max(1.0, raio)),
        }
        if is_grouped:
            point_payload.update(
                {
                    "grouped": True,
                    "count": len(rows_grupo),
                    "stroke_color": "#243746",
                    "stroke_weight": 2.0,
                    "fill_opacity": 0.74,
                    "tooltip_html": _tooltip_html_grupo_mercado(
                        indices_display,
                        label=str(tooltip_col or "") if tooltip_col else None,
                        valores=valores_tooltip,
                    ),
                    "group_title": f"{len(rows_grupo)} dados neste local",
                    "group_items": registros_grupo,
                }
            )
        else:
            point_payload["tooltip"] = tooltip_payload
        market_points.append(point_payload)

    return {
        "type": "mesa_leaflet_payload",
        "version": 1,
        "center": [centro_lat, centro_lon],
        "bounds": _resolver_bounds(df_mapa, lat_key, lon_key),
        "tile_layers": _TILE_LAYERS,
        "controls": {
            "fullscreen": True,
            "measure": True,
            "layer_control": True,
        },
        "radius_behavior": {
            "min_radius": 1.6,
            "max_radius": 52.0,
            "reference_zoom": 12.0,
            "growth_factor": 0.20,
        },
        "show_indices": show_indices,
        "show_bairros": True,
        "bairros_geojson_url": bairros_geojson_url,
        "legend": legend,
        "market_points": market_points,
        "trabalhos_tecnicos_points": build_trabalhos_tecnicos_marker_payloads(avaliandos_tecnicos),
    }