"""
Caso de uso para Detección de Anomalías.

Implementa la lógica de aplicación para detectar anomalías
en series temporales usando pronósticos probabilísticos.
"""

from app.domain.services.anomaly_service import AnomalyService
from app.domain.models.time_series import TimeSeries
from app.domain.models.forecast_config import ForecastConfig
from app.application.dtos.anomaly_dtos import (
    AnomalyDetectionInputDTO,
    AnomalyDetectionOutputDTO,
    AnomalyPointDTO
)
from app.utils.logger import setup_logger

logger = setup_logger(__name__)


class DetectAnomaliesUseCase:
    """
    Caso de uso: Detección de Anomalías.
    
    Responsabilidad: Detectar anomalías comparando valores observados
    con pronósticos probabilísticos.
    """
    
    def __init__(self, anomaly_service: AnomalyService):
        """
        Inicializa el caso de uso.
        
        Args:
            anomaly_service: Servicio de dominio para detección de anomalías
        """
        self.anomaly_service = anomaly_service
        logger.info("DetectAnomaliesUseCase initialized")
    
    def execute(self, input_dto: AnomalyDetectionInputDTO) -> AnomalyDetectionOutputDTO:
        """
        Ejecuta el caso de uso de detección de anomalías.
        
        Args:
            input_dto: Datos de entrada con contexto y valores recientes
        
        Returns:
            AnomalyDetectionOutputDTO: Puntos de anomalía detectados
        
        Raises:
            ValueError: Si los datos son inválidos
            RuntimeError: Si falla la detección
        """
        logger.info(
            f"Detecting anomalies: {len(input_dto.context_values)} context points, "
            f"{len(input_dto.recent_values)} recent points"
        )
        
        # Validar entrada
        input_dto.validate()
        
        # Convertir DTO a modelos de dominio
        context = TimeSeries(
            values=input_dto.context_values,
            timestamps=input_dto.context_timestamps,
            freq=input_dto.freq
        )
        
        config = ForecastConfig(
            prediction_length=len(input_dto.recent_values),
            quantile_levels=[input_dto.quantile_low, 0.5, input_dto.quantile_high],
            freq=input_dto.freq
        )
        
        # Ejecutar servicio de dominio
        try:
            anomaly_points = self.anomaly_service.detect_anomalies(
                context=context,
                recent_observed=input_dto.recent_values,
                config=config,
                quantile_low=input_dto.quantile_low,
                quantile_high=input_dto.quantile_high
            )
            logger.info(f"Anomaly detection completed")
        except Exception as e:
            logger.error(f"Anomaly detection failed: {e}", exc_info=True)
            raise RuntimeError(f"Anomaly detection failed: {str(e)}") from e
        
        # Convertir a DTOs y calcular severidad
        anomaly_dtos = []
        for ap in anomaly_points:
            severity = self._calculate_severity(ap.z_score, ap.is_anomaly)
            
            dto = AnomalyPointDTO(
                index=ap.index,
                value=ap.value,
                expected=ap.expected,
                lower_bound=ap.lower_bound,
                upper_bound=ap.upper_bound,
                is_anomaly=ap.is_anomaly,
                z_score=ap.z_score,
                severity=severity
            )
            anomaly_dtos.append(dto)
        
        # Calcular estadísticas
        anomaly_count = sum(1 for a in anomaly_dtos if a.is_anomaly)
        total_points = len(anomaly_dtos)
        anomaly_rate = anomaly_count / total_points if total_points > 0 else 0.0
        
        # Crear resumen
        summary = self._create_summary(anomaly_dtos, input_dto)
        
        logger.info(
            f"Anomalies detected: {anomaly_count}/{total_points} "
            f"({anomaly_rate*100:.1f}%)"
        )
        
        # Crear DTO de salida
        output_dto = AnomalyDetectionOutputDTO(
            anomalies=anomaly_dtos,
            total_points=total_points,
            anomaly_count=anomaly_count,
            anomaly_rate=anomaly_rate,
            summary=summary
        )
        
        return output_dto
    
    def _calculate_severity(self, z_score: float, is_anomaly: bool) -> str:
        """
        Calcula la severidad de una anomalía basándose en el z-score.
        
        Args:
            z_score: Puntuación Z
            is_anomaly: Si es anomalía
        
        Returns:
            str: Nivel de severidad (normal, low, medium, high)
        """
        if not is_anomaly:
            return "normal"
        
        if z_score < 1.5:
            return "low"
        elif z_score < 2.5:
            return "medium"
        else:
            return "high"
    
    def _create_summary(
        self,
        anomaly_dtos: list,
        input_dto: AnomalyDetectionInputDTO
    ) -> dict:
        """
        Crea un resumen de la detección de anomalías.
        
        Args:
            anomaly_dtos: Lista de anomalías detectadas
            input_dto: Datos de entrada originales
        
        Returns:
            dict: Resumen con estadísticas
        """
        anomalies_only = [a for a in anomaly_dtos if a.is_anomaly]
        
        if not anomalies_only:
            return {
                "has_anomalies": False,
                "severity_distribution": {"normal": len(anomaly_dtos)},
                "max_z_score": 0.0,
                "avg_deviation": 0.0
            }
        
        # Distribución por severidad
        severity_dist = {
            "normal": sum(1 for a in anomaly_dtos if a.severity == "normal"),
            "low": sum(1 for a in anomaly_dtos if a.severity == "low"),
            "medium": sum(1 for a in anomaly_dtos if a.severity == "medium"),
            "high": sum(1 for a in anomaly_dtos if a.severity == "high")
        }
        
        # Estadísticas de anomalías
        max_z_score = max(a.z_score for a in anomalies_only)
        avg_deviation = sum(
            abs(a.value - a.expected) for a in anomalies_only
        ) / len(anomalies_only)
        
        return {
            "has_anomalies": True,
            "severity_distribution": severity_dist,
            "max_z_score": round(max_z_score, 2),
            "avg_deviation": round(avg_deviation, 2),
            "quantile_range": {
                "low": input_dto.quantile_low,
                "high": input_dto.quantile_high
            }
        }