/**
 * ReliefMath.js
 * Funciones puras (sin Three.js, sin DOM) para alinear y combinar matrices de
 * relieve multi-documento. Aisladas aquí para que sean testeables sin un canvas.
 *
 * Una "matriz" es `number[Z][X]`: Z = chunk_index, X = dimensión (768).
 * Documentos distintos tienen distinto número de chunks (Z), así que para
 * compararlos celda a celda (modos Overlay/Delta/Inspector) hay que alinear el
 * eje Z a una longitud común. Dos estrategias:
 *   - 'NORMALIZED': re-muestrea todas las matrices a la MAYOR cantidad de chunks
 *                   mediante interpolación lineal sobre [0,1] (preserva la forma
 *                   global aunque los largos difieran). Estrategia por defecto.
 *   - 'INDEX'     : alinea por índice crudo de chunk y recorta a la MENOR.
 */

// Re-muestrea una matriz a `targetLen` filas por interpolación lineal sobre el
// eje Z. Cada fila destino i mapea a la posición continua t = i/(targetLen-1) en
// el rango [0, srcLen-1] y se interpola entre las dos filas vecinas. Las columnas
// (dimensiones) se preservan 1:1. Devuelve una matriz nueva (no muta la entrada).
export function resampleMatrixZ(matrix, targetLen) {
    const srcLen = matrix.length;
    if (srcLen === 0 || targetLen <= 0) return [];
    const cols = matrix[0].length;
    if (srcLen === targetLen) return matrix.map(row => row.slice());

    const out = new Array(targetLen);
    for (let i = 0; i < targetLen; i++) {
        const t = targetLen === 1 ? 0 : (i * (srcLen - 1)) / (targetLen - 1);
        const lo = Math.floor(t);
        const hi = Math.min(lo + 1, srcLen - 1);
        const frac = t - lo;
        const rowLo = matrix[lo];
        const rowHi = matrix[hi];
        const row = new Array(cols);
        for (let c = 0; c < cols; c++) {
            row[c] = rowLo[c] * (1 - frac) + rowHi[c] * frac;
        }
        out[i] = row;
    }
    return out;
}

// Re-muestrea una serie 1D (perfil de una dimensión a lo largo de los chunks) a
// `targetLen` puntos por interpolación lineal. Usado por el inspector (modo C)
// para normalizar el eje X entre documentos de distinto largo.
export function resampleSeries(series, targetLen) {
    const srcLen = series.length;
    if (srcLen === 0 || targetLen <= 0) return [];
    if (srcLen === targetLen) return series.slice();

    const out = new Array(targetLen);
    for (let i = 0; i < targetLen; i++) {
        const t = targetLen === 1 ? 0 : (i * (srcLen - 1)) / (targetLen - 1);
        const lo = Math.floor(t);
        const hi = Math.min(lo + 1, srcLen - 1);
        const frac = t - lo;
        out[i] = series[lo] * (1 - frac) + series[hi] * frac;
    }
    return out;
}

// Alinea una lista de matrices a una longitud Z común según la estrategia.
// Devuelve { aligned: matrix[], length }. No muta las entradas.
export function alignMatrices(matrices, mode = 'NORMALIZED') {
    const valid = matrices.filter(m => m && m.length > 0);
    if (valid.length === 0) return { aligned: [], length: 0 };

    const lengths = valid.map(m => m.length);
    const targetLen = mode === 'INDEX'
        ? Math.min(...lengths)
        : Math.max(...lengths);

    if (mode === 'INDEX') {
        const aligned = valid.map(m => m.slice(0, targetLen).map(row => row.slice()));
        return { aligned, length: targetLen };
    }
    const aligned = valid.map(m => resampleMatrixZ(m, targetLen));
    return { aligned, length: targetLen };
}

// Resta celda a celda dos matrices (A - B) tras alinearlas en Z.
// Devuelve la matriz delta (mismas dimensiones de columna, `length` filas).
export function computeDelta(matrixA, matrixB, mode = 'NORMALIZED') {
    if (!matrixA || !matrixB || matrixA.length === 0 || matrixB.length === 0) return [];
    const { aligned } = alignMatrices([matrixA, matrixB], mode);
    const [a, b] = aligned;
    const rows = a.length;
    const cols = a[0].length;
    const delta = new Array(rows);
    for (let z = 0; z < rows; z++) {
        const rowA = a[z];
        const rowB = b[z];
        const row = new Array(cols);
        for (let x = 0; x < cols; x++) {
            row[x] = rowA[x] - rowB[x];
        }
        delta[z] = row;
    }
    return delta;
}

// Extrae el perfil de una dimensión `dimIndex` a lo largo de los chunks de una
// matriz → array de activaciones (eje X del inspector = chunk_index).
export function dimensionSeries(matrix, dimIndex) {
    if (!matrix || matrix.length === 0) return [];
    const cols = matrix[0].length;
    if (dimIndex < 0 || dimIndex >= cols) return [];
    return matrix.map(row => row[dimIndex]);
}

// Máximo valor absoluto sobre toda una matriz (para normalización simétrica de
// color/altura). Igual semántica que el helper interno del renderer, expuesto
// para que el orquestador comparta el mismo |max| entre documentos.
export function computeAbsMax(matrix) {
    let m = 0;
    for (let z = 0; z < matrix.length; z++) {
        const row = matrix[z];
        for (let x = 0; x < row.length; x++) {
            const a = Math.abs(row[x]);
            if (a > m) m = a;
        }
    }
    return m;
}

// Computa la similitud de una dimensión entre dos series de tiempo / ejes latentes
// basándose en un umbral de tolerancia absoluta elemento a elemento.
// Devuelve el porcentaje de elementos (entre 0 y 100) donde la diferencia
// absoluta es estrictamente menor que `tolerance`.
export function computeDimensionSimilarity(seriesA, seriesB, tolerance = 0.01) {
    if (!seriesA || !seriesB) return 0;
    const len = seriesA.length;
    if (len === 0 || seriesB.length !== len) return 0;
    let count = 0;
    for (let i = 0; i < len; i++) {
        if (Math.abs(seriesA[i] - seriesB[i]) < tolerance) {
            count++;
        }
    }
    return (count / len) * 100;
}

// Computa la similitud de coseno entre los centroides semánticos promediados de
// dos matrices de relieve.
export function computeGlobalSimilarity(matrixA, matrixB) {
    const lenA = matrixA ? matrixA.length : 0;
    const lenB = matrixB ? matrixB.length : 0;
    const colsA = lenA > 0 ? matrixA[0].length : 0;
    const colsB = lenB > 0 ? matrixB[0].length : 0;
    const D = Math.max(colsA, colsB);
    if (D === 0) return 0;

    const centroidA = new Array(D).fill(0);
    if (lenA > 0) {
        for (let d = 0; d < D; d++) {
            let sum = 0;
            for (let z = 0; z < lenA; z++) {
                sum += matrixA[z][d] || 0;
            }
            centroidA[d] = sum / lenA;
        }
    }

    const centroidB = new Array(D).fill(0);
    if (lenB > 0) {
        for (let d = 0; d < D; d++) {
            let sum = 0;
            for (let z = 0; z < lenB; z++) {
                sum += matrixB[z][d] || 0;
            }
            centroidB[d] = sum / lenB;
        }
    }

    let dotProduct = 0;
    let normA2 = 0;
    let normB2 = 0;
    for (let d = 0; d < D; d++) {
        const valA = centroidA[d];
        const valB = centroidB[d];
        dotProduct += valA * valB;
        normA2 += valA * valA;
        normB2 += valB * valB;
    }

    const normA = Math.sqrt(normA2);
    const normB = Math.sqrt(normB2);
    return dotProduct / (normA * normB + 1e-9);
}

/**
 * Computa la varianza de cada dimensión de la matriz a lo largo de todos sus chunks.
 * Devuelve una lista ordenada de objetos `{ dimIndex, variance }` de mayor a menor varianza.
 * @param {number[][]} matrix - Matriz Z x D de activaciones.
 * @returns {{dimIndex: number, variance: number}[]}
 */
export function sortDimensionsByVariance(matrix) {
    if (!matrix || matrix.length === 0) return [];
    const Z = matrix.length;
    const D = matrix[0].length;
    const result = [];
    for (let d = 0; d < D; d++) {
        let sum = 0;
        let sumSq = 0;
        for (let z = 0; z < Z; z++) {
            const val = matrix[z][d] || 0;
            sum += val;
            sumSq += val * val;
        }
        const mean = sum / Z;
        const variance = (sumSq / Z) - (mean * mean);
        result.push({ dimIndex: d, variance });
    }
    return result.sort((a, b) => b.variance - a.variance);
}

/**
 * Devuelve las primeras `limit` dimensiones con mayor varianza.
 * Si no hay matriz, devuelve un fallback secuencial de 0 a limit-1.
 * @param {number[][]} matrix - Matriz Z x D de activaciones.
 * @param {number} limit - Límite de dimensiones a devolver.
 * @returns {{dimIndex: number, variance: number}[]}
 */
export function getHighVarianceDimensions(matrix, limit = 100) {
    const dCount = matrix && matrix[0] ? matrix[0].length : 768;
    const actualLimit = Math.min(limit, dCount);
    if (!matrix || matrix.length === 0) {
        const fallback = [];
        for (let i = 0; i < actualLimit; i++) {
            fallback.push({ dimIndex: i, variance: 0 });
        }
        return fallback;
    }
    const sorted = sortDimensionsByVariance(matrix);
    return sorted.slice(0, actualLimit);
}

// ============================================================================
// HELPERS DE LINEARIZACIÓN 1D (FLOAT32ARRAY) Y FALLBACKS SÍNCRONOS
// ============================================================================

export function flattenMatrix2D(matrix) {
    if (!matrix || matrix.length === 0) return new Float32Array(0);
    const rows = matrix.length;
    const cols = matrix[0].length;
    const flat = new Float32Array(rows * cols);
    for (let r = 0; r < rows; r++) {
        const row = matrix[r];
        const offset = r * cols;
        for (let c = 0; c < cols; c++) {
            flat[offset + c] = row[c] || 0;
        }
    }
    return flat;
}

export function unflattenMatrix2D(flatArray, rows, cols) {
    if (!flatArray || rows === 0 || cols === 0) return [];
    const matrix = new Array(rows);
    for (let r = 0; r < rows; r++) {
        const row = new Array(cols);
        const offset = r * cols;
        for (let c = 0; c < cols; c++) {
            row[c] = flatArray[offset + c];
        }
        matrix[r] = row;
    }
    return matrix;
}

function sinc(x) {
    if (x === 0) return 1.0;
    const piX = Math.PI * x;
    return Math.sin(piX) / piX;
}

export function executeResampleZFallback(sourceData, sourceZ, sourceX, targetZ, targetX) {
    const output = new Float32Array(targetZ * targetX);
    const ratioZ = sourceZ / targetZ;
    const ratioX = sourceX / targetX;

    for (let tz = 0; tz < targetZ; tz++) {
        const srcFloatZ = tz * ratioZ;
        const minZ = Math.max(0, Math.floor(srcFloatZ) - 3);
        const maxZ = Math.min(sourceZ - 1, Math.floor(srcFloatZ) + 3);

        for (let tx = 0; tx < targetX; tx++) {
            const srcFloatX = tx * ratioX;
            const minX = Math.max(0, Math.floor(srcFloatX) - 3);
            const maxX = Math.min(sourceX - 1, Math.floor(srcFloatX) + 3);

            let accumulator = 0.0;
            let normalization = 0.0;

            for (let sz = minZ; sz <= maxZ; sz++) {
                const weightZ = sinc(srcFloatZ - sz);
                for (let sx = minX; sx <= maxX; sx++) {
                    const weightX = sinc(srcFloatX - sx);
                    const weight = weightZ * weightX;
                    accumulator += sourceData[sz * sourceX + sx] * weight;
                    normalization += weight;
                }
            }
            output[tz * targetX + tx] = normalization === 0 ? 0.0 : accumulator / normalization;
        }
    }
    return output;
}

export function executeDeltaAndSimilarityFallback(matrixA, matrixB, length) {
    const delta = new Float32Array(length);
    let dotProduct = 0.0;
    let normA = 0.0;
    let normB = 0.0;

    for (let i = 0; i < length; i++) {
        const valA = matrixA[i];
        const valB = matrixB[i];

        delta[i] = valA - valB;
        dotProduct += valA * valB;
        normA += valA * valA;
        normB += valB * valB;
    }

    const similarity = normA === 0 || normB === 0
        ? 0.0
        : dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));

    return { delta, similarity };
}

export function executeVarianceSortFallback(data, rows, cols) {
    const variances = new Float32Array(cols);
    const indices = new Int32Array(cols);

    for (let c = 0; c < cols; c++) {
        indices[c] = c;
        let sum = 0.0;
        let sumSq = 0.0;

        for (let r = 0; r < rows; r++) {
            const val = data[r * cols + c];
            sum += val;
            sumSq += val * val;
        }

        const mean = sum / rows;
        variances[c] = (sumSq / rows) - (mean * mean);
    }

    const indexArray = Array.from(indices);
    indexArray.sort((a, b) => variances[b] - variances[a]);

    const sortedIndices = new Int32Array(indexArray);
    return { indices: sortedIndices, variances };
}