scripts/build_matchup_features.py

"""Precalcula, por equipo (liga, temporada), su vector de features rolling 'a la fecha'
(la última fila disponible) para alimentar la predicción de cruce A-vs-B en el reporte
pre-partido, sin tener que re-correr todo el pipeline en runtime.

Sale:
  vendor/data/modeling/team_features_latest.parquet  (1 fila por equipo-temporada)
  vendor/data/modeling/matchup_feat_cols.json        (orden exacto de features del modelo)

Uso: python scripts/build_matchup_features.py
"""
from __future__ import annotations

import importlib.util
import json
from pathlib import Path

import pandas as pd

ROOT = Path(__file__).resolve().parents[1]
spec = importlib.util.spec_from_file_location("tm", ROOT / "scripts" / "train_models.py")
tm = importlib.util.module_from_spec(spec); spec.loader.exec_module(tm)
OUT = ROOT / "vendor" / "data" / "modeling"


def main() -> None:
    df = pd.read_parquet(tm.DATA)
    blk = df.assign(_b=df[tm.DEF].sum(axis=1) > 0).groupby("Competencia")["_b"].mean()
    df = df[df["Competencia"].isin(blk[blk > 0.5].index)].copy()
    m, feat = tm._assemble(df)
    m = m.merge(df[["matchId", "teamId", "fecha", "TeamName"]].drop_duplicates(),
                on=["matchId", "teamId"], how="left")

    # columnas que definen el "estado a la fecha" de un equipo (lado propio)
    self_cols = [c for c in m.columns if c.startswith(("self_", "selfH_", "selfA_"))]
    keep = ["Competencia", "Temporada", "teamId", "TeamName", "fecha", "formation"] + self_cols
    keep = [c for c in keep if c in m.columns]

    # última fila por (liga, temporada, equipo) — su forma más reciente
    m = m.sort_values(["Competencia", "Temporada", "teamId", "fecha", "matchId"])
    latest = m[keep].dropna(subset=["self_def_H"]).groupby(
        ["Competencia", "Temporada", "teamId"], as_index=False).last()

    latest.to_parquet(OUT / "team_features_latest.parquet", index=False)
    (OUT / "matchup_feat_cols.json").write_text(json.dumps(feat, ensure_ascii=False))
    print(f"team_features_latest: {len(latest)} equipos-temporada | self_cols={len(self_cols)} | feat={len(feat)}")
    print("ligas:", latest['Competencia'].nunique(), "| ej:",
          latest[latest.Competencia.eq('Liga Profesional Argentina')]['TeamName'].dropna().unique()[:6].tolist())


if __name__ == "__main__":
    main()