src/racing_reports/data_cache.py

"""Cache en memoria del DataFrame del preprocessed.

``pd.read_csv`` de un archivo de 2.47 GB tarda ~60 s en CPU básico. Si lo
guardamos en RAM, la primera corrida sigue tardando lo mismo, pero las que
vienen después son instantáneas (parte CPU del pipeline).

La key del cache incluye ``mtime`` para que, si el archivo se actualiza en
disco (sync semanal del preprocessed), la entrada se invalide sola.

Single-container HF Space, sin multiproceso → un dict global con lock alcanza.
"""

from __future__ import annotations

import threading
from collections import OrderedDict
from pathlib import Path

import pandas as pd

_CACHE: "OrderedDict[tuple[str, float, bool], pd.DataFrame]" = OrderedDict()
_LOCK = threading.Lock()
_MAX_ENTRIES = 2  # preprocessed base + (eventual) labeled distinto


def get_cached(path: Path, *, low_memory: bool = False) -> pd.DataFrame:
    """Devuelve un DataFrame del CSV, leyendo del cache si está disponible.

    Importante: el DataFrame es **compartido**. Los callers que vayan a mutar
    columnas deben hacer ``.copy()`` antes. Mutaciones tipo ``df[col] = ...``
    sobre el devuelto afectan al cache.
    """
    p = Path(path).resolve()
    key = (str(p), p.stat().st_mtime, low_memory)
    with _LOCK:
        hit = _CACHE.get(key)
        if hit is not None:
            _CACHE.move_to_end(key)
            return hit
    # Leer fuera del lock para no bloquear otros lookups durante 60 s.
    df = pd.read_csv(p, low_memory=low_memory)
    with _LOCK:
        # Si otro thread cargó la misma key en el medio, preferimos su copia.
        existing = _CACHE.get(key)
        if existing is not None:
            return existing
        _CACHE[key] = df
        _CACHE.move_to_end(key)
        while len(_CACHE) > _MAX_ENTRIES:
            _CACHE.popitem(last=False)
        return df


def is_cached(path: Path, *, low_memory: bool = False) -> bool:
    """Si el archivo ya está cargado en RAM (sin tocar disco más allá del stat)."""
    p = Path(path).resolve()
    if not p.exists():
        return False
    key = (str(p), p.stat().st_mtime, low_memory)
    with _LOCK:
        return key in _CACHE


def clear() -> None:
    with _LOCK:
        _CACHE.clear()