src/Analytics/DataSyncForecasting.py

import pandas as pd
from datetime import datetime
import gspread

class DataSyncForecasting:
    """
    Synchronise automatiquement les données de Forecasting 
    à partir des déblocages dans Prets_Master
    """
    
    def __init__(self, client, sheet_name):
        self.client = client
        self.sheet_name = sheet_name
        self.sh = client.open(sheet_name)
    
    def extraire_deblocages_mensuels(self):
        """
        Extrait et agrège les déblocages par mois depuis Prets_Master
        
        Returns:
            DataFrame avec Date (YYYY-MM-01) et Montant_Total_Sortie
        """
        try:
            ws_prets = self.sh.worksheet("Prets_Master")
            df_prets = pd.DataFrame(ws_prets.get_all_records())
            
            if df_prets.empty:
                return pd.DataFrame(columns=['Date', 'Montant_Total_Sortie'])
            
            # Vérifier les colonnes nécessaires
            if 'Date_Deblocage' not in df_prets.columns or 'Montant_Capital' not in df_prets.columns:
                raise ValueError("Colonnes 'Date_Deblocage' ou 'Montant_Capital' manquantes dans Prets_Master")
            
            # Garder uniquement les lignes avec données valides
            df_prets = df_prets[
                (df_prets['Date_Deblocage'].notna()) & 
                (df_prets['Date_Deblocage'] != '') &
                (df_prets['Montant_Capital'].notna()) &
                (df_prets['Montant_Capital'] != 0)
            ].copy()
            
            if df_prets.empty:
                return pd.DataFrame(columns=['Date', 'Montant_Total_Sortie'])
            
            # Conversion des montants en numérique
            df_prets['Montant_Capital'] = pd.to_numeric(df_prets['Montant_Capital'], errors='coerce')
            
            # Parser les dates (format DD/MM/YYYY)
            df_prets['Date_Parsed'] = pd.to_datetime(
                df_prets['Date_Deblocage'], 
                format='%d/%m/%Y',
                errors='coerce'
            )
            
            # Supprimer les dates invalides
            df_prets = df_prets.dropna(subset=['Date_Parsed', 'Montant_Capital'])
            
            if df_prets.empty:
                return pd.DataFrame(columns=['Date', 'Montant_Total_Sortie'])
            
            # Créer une colonne année-mois pour le groupement
            df_prets['Annee_Mois'] = df_prets['Date_Parsed'].dt.to_period('M')
            
            # Grouper par mois et sommer
            df_mensuel = df_prets.groupby('Annee_Mois')['Montant_Capital'].sum().reset_index()
            
            # Convertir en premier jour du mois
            df_mensuel['Date'] = df_mensuel['Annee_Mois'].apply(lambda x: x.to_timestamp())
            df_mensuel = df_mensuel.rename(columns={'Montant_Capital': 'Montant_Total_Sortie'})
            
            # Garder uniquement Date et Montant
            df_mensuel = df_mensuel[['Date', 'Montant_Total_Sortie']].sort_values('Date')
            
            return df_mensuel
            
        except gspread.WorksheetNotFound:
            raise Exception("Feuille 'Prets_Master' introuvable")
        except Exception as e:
            raise Exception(f"Erreur lors de l'extraction : {str(e)}")
    
    def lire_forecasting_actuel(self):
        """
        Lit les données actuelles de Forecasting
        
        Returns:
            DataFrame avec les données existantes
        """
        try:
            ws_forecasting = self.sh.worksheet("Forecasting")
            df_forecasting = pd.DataFrame(ws_forecasting.get_all_records())
            
            if df_forecasting.empty or 'Date' not in df_forecasting.columns:
                return pd.DataFrame(columns=['Date', 'Montant_Total_Sortie'])
            
            # Parser les dates
            df_forecasting['Date'] = pd.to_datetime(df_forecasting['Date'], errors='coerce')
            df_forecasting = df_forecasting.dropna(subset=['Date'])
            
            # Conversion montants
            df_forecasting['Montant_Total_Sortie'] = pd.to_numeric(
                df_forecasting['Montant_Total_Sortie'], 
                errors='coerce'
            ).fillna(0)
            
            return df_forecasting[['Date', 'Montant_Total_Sortie']]
            
        except gspread.WorksheetNotFound:
            # Si la feuille n'existe pas, la créer
            return pd.DataFrame(columns=['Date', 'Montant_Total_Sortie'])
        except Exception as e:
            raise Exception(f"Erreur lors de la lecture de Forecasting : {str(e)}")
    
    def fusionner_donnees(self, df_existant, df_nouveau):
        """
        Fusionne intelligemment les données existantes et nouvelles
        
        Args:
            df_existant: DataFrame avec données actuelles de Forecasting
            df_nouveau: DataFrame avec données calculées depuis Prets_Master
            
        Returns:
            dict avec DataFrame fusionné + statistiques
        """
        # Convertir en période pour faciliter la comparaison
        df_existant['Periode'] = df_existant['Date'].dt.to_period('M')
        df_nouveau['Periode'] = df_nouveau['Date'].dt.to_period('M')
        
        # Identifier les mois
        mois_existants = set(df_existant['Periode'])
        mois_nouveaux = set(df_nouveau['Periode'])
        
        # Statistiques
        mois_a_ajouter = mois_nouveaux - mois_existants
        mois_a_mettre_a_jour = mois_existants & mois_nouveaux
        mois_conserves = mois_existants - mois_nouveaux
        
        # Créer le DataFrame fusionné
        # 1. Garder les mois qui ne sont pas dans Prets_Master (données manuelles historiques)
        df_conserves = df_existant[df_existant['Periode'].isin(mois_conserves)].copy()
        
        # 2. Mettre à jour les mois qui existent dans les deux
        df_mis_a_jour = df_nouveau[df_nouveau['Periode'].isin(mois_a_mettre_a_jour)].copy()
        
        # 3. Ajouter les nouveaux mois
        df_ajoutes = df_nouveau[df_nouveau['Periode'].isin(mois_a_ajouter)].copy()
        
        # Fusionner tout
        df_final = pd.concat([df_conserves, df_mis_a_jour, df_ajoutes], ignore_index=True)
        
        # Trier par date
        df_final = df_final.sort_values('Date').reset_index(drop=True)
        
        # Supprimer la colonne Periode
        df_final = df_final[['Date', 'Montant_Total_Sortie']]
        
        # Statistiques du changement
        stats = {
            'nb_conserves': len(mois_conserves),
            'nb_mis_a_jour': len(mois_a_mettre_a_jour),
            'nb_ajoutes': len(mois_a_ajouter),
            'total_lignes': len(df_final),
            'mois_conserves': sorted([str(p) for p in mois_conserves]),
            'mois_mis_a_jour': sorted([str(p) for p in mois_a_mettre_a_jour]),
            'mois_ajoutes': sorted([str(p) for p in mois_a_ajouter])  # ✅ Corrigé ici
        }
        
        return {
            'dataframe': df_final,
            'stats': stats
        }
    
    def ecrire_forecasting(self, df_final):
        """
        Écrit le DataFrame final dans la feuille Forecasting
        
        Args:
            df_final: DataFrame à écrire
        """
        try:
            ws_forecasting = self.sh.worksheet("Forecasting")
        except gspread.WorksheetNotFound:
            # Créer la feuille si elle n'existe pas
            ws_forecasting = self.sh.add_worksheet(title="Forecasting", rows="1000", cols="10")
        
        # Vider la feuille
        ws_forecasting.clear()
        
        # Préparer les données pour l'écriture
        df_write = df_final.copy()
        df_write['Date'] = df_write['Date'].dt.strftime('%Y-%m-%d')
        df_write['Montant_Total_Sortie'] = df_write['Montant_Total_Sortie'].astype(int)
        
        # Écrire l'en-tête
        ws_forecasting.update('A1:B1', [['Date', 'Montant_Total_Sortie']])
        
        # Écrire les données
        if not df_write.empty:
            data_to_write = df_write.values.tolist()
            ws_forecasting.update(f'A2:B{len(data_to_write) + 1}', data_to_write)
    
    def synchroniser(self):
        """
        Fonction principale de synchronisation
        
        Returns:
            dict avec résultat de la synchronisation
        """
        try:
            # 1. Extraire les déblocages mensuels depuis Prets_Master
            df_nouveau = self.extraire_deblocages_mensuels()
            
            # 2. Lire Forecasting actuel
            df_existant = self.lire_forecasting_actuel()
            
            # 3. Fusionner intelligemment
            result = self.fusionner_donnees(df_existant, df_nouveau)
            df_final = result['dataframe']
            stats = result['stats']
            
            # 4. Écrire dans Forecasting
            self.ecrire_forecasting(df_final)
            
            return {
                'success': True,
                'stats': stats,
                'dataframe': df_final,
                'message': f"Synchronisation réussie : {stats['nb_conserves']} mois conservés, {stats['nb_mis_a_jour']} mis à jour, {stats['nb_ajoutes']} ajoutés"
            }
            
        except Exception as e:
            return {
                'success': False,
                'error': str(e),
                'message': f"Erreur lors de la synchronisation : {str(e)}"
            }


def actualiser_forecasting_depuis_prets(client, sheet_name):
    """
    Fonction helper pour synchroniser facilement
    
    Args:
        client: Client gspread
        sheet_name: Nom du fichier Google Sheets
        
    Returns:
        dict avec résultat de la synchronisation
    """
    sync = DataSyncForecasting(client, sheet_name)
    return sync.synchroniser()