vendor/scripts/build_match_features.py

"""
Script para concatenar y normalizar datasets de features de partido.

Lee dos CSV existentes en:
- ~/Documents/Racing/Datasets/match_post_1row.csv
- ~/Documents/Racing/Datasets/match_post_1row__20260210_112234.csv

Hace lo siguiente:
- Normaliza las columnas clave de identificación de partido/equipos para que
  ambos datasets tengan el mismo esquema:
  matchId, fecha, competencia, temporada, home_team_id, away_team_id,
  equipo_local, equipo_visitante, ...
- Se queda solo con las columnas que existen en ambos datasets.
- Concatena fila a fila.
- Elimina las columnas que quedan completamente vacías (todo NaN).
- Guarda el resultado en:
  - data/match_features.parquet
  - opcionalmente data/match_features.csv (para inspección rápida).
"""

from pathlib import Path

import pandas as pd


PROJECT_ROOT = Path(__file__).resolve().parents[1]
DOCS_DATASETS_DIR = Path.home() / "Documents" / "Racing" / "Datasets"

SRC_FILES = [
    DOCS_DATASETS_DIR / "match_post_1row.csv",
    DOCS_DATASETS_DIR / "match_post_1row__20260210_112234.csv",
]

OUTPUT_PARQUET = PROJECT_ROOT / "data" / "match_features.parquet"
OUTPUT_CSV = PROJECT_ROOT / "data" / "match_features.csv"


def load_and_normalize_first() -> pd.DataFrame:
    """
    Carga el primer dataset (match_post_1row.csv) y renombra las columnas
    clave para alinearlas con nombres genéricos.

    Este archivo tiene cabeceras tipo:
    home_matchId, home_competencia, home_temporada, home_equipo_local, ...
    """
    path = SRC_FILES[0]
    df = pd.read_csv(path)

    rename_map = {
        "home_matchId": "matchId",
        "home_fecha_x": "fecha",
        "home_competencia": "competencia",
        "home_temporada": "temporada",
        "home_teamId": "home_team_id",
        "away_teamId": "away_team_id",
        "home_equipo_local": "equipo_local",
        "home_equipo_visitante": "equipo_visitante",
    }

    cols_to_rename = {k: v for k, v in rename_map.items() if k in df.columns}
    df = df.rename(columns=cols_to_rename)
    return df


def load_and_normalize_second() -> pd.DataFrame:
    """
    Carga el segundo dataset (match_post_1row__20260210_112234.csv),
    que ya tiene las columnas clave con nombres "limpios":
    matchId, fecha, competencia, temporada, home_team_id, away_team_id,
    equipo_local, equipo_visitante, ...
    """
    path = SRC_FILES[1]
    df = pd.read_csv(path)
    return df


def build_match_features() -> pd.DataFrame:
    """
    Construye el dataset concatenado de features de partido.

    - Intersección de columnas entre ambos datasets.
    - Concatena.
    - Elimina columnas con todo NaN.
    """
    df1 = load_and_normalize_first()
    df2 = load_and_normalize_second()

    common_cols = sorted(set(df1.columns).intersection(df2.columns))

    df1_common = df1[common_cols].copy()
    df2_common = df2[common_cols].copy()

    df_all = pd.concat([df1_common, df2_common], ignore_index=True)

    # Eliminar columnas que quedan completamente vacías en el conjunto unido
    df_all = df_all.dropna(axis=1, how="all")

    return df_all


def main(save_csv: bool = True) -> None:
    df_all = build_match_features()

    OUTPUT_PARQUET.parent.mkdir(parents=True, exist_ok=True)

    df_all.to_parquet(OUTPUT_PARQUET, index=False)
    if save_csv:
        df_all.to_csv(OUTPUT_CSV, index=False)

    print(f"Dataset concatenado guardado en: {OUTPUT_PARQUET}")
    if save_csv:
        print(f"También se guardó CSV en: {OUTPUT_CSV}")
    print(f"Filas totales: {len(df_all)}, columnas: {len(df_all.columns)}")


if __name__ == "__main__":
    main()