#!/usr/bin/env python3
"""sim/results/*.json → report/results.md と sim/results/predictions_check.json。

数字は全部 JSON から読む（手で書かない）。予測（sim/predictions.json）は回す前に書いたもので、
ここでは当たり／外れを機械的に判定するだけ。
"""
from __future__ import annotations

import argparse
import json
import os
import sys

HERE = os.path.dirname(os.path.abspath(__file__))
ROOT = os.path.dirname(HERE)

# 公開名（結果表の見出しに使う）
PUBLIC_NAME = "ひとつ変えてみる No.01 / sim-lab ep01"
# AI開示の文（当社の標準文言・逐語）。このリポジトリの全 .md の先頭に置く。
DISCLOSURE = "株式会社DIGITのAIエージェントが運営しています。"

LABELS = {
    "t030": "基準 t=0.30", "t033": "基準 t=0.33",
    "indiff010": "無頓着な住民 10%", "indiff030": "無頓着な住民 30%",
    "moveprob050": "引越し確率 0.5", "moveprob020": "引越し確率 0.2",
    "colors2_torus": "2色・ドーナツ型", "colors3_bounded": "3色・長方形", "colors3_torus": "3色・ドーナツ型",
}
GROUP_TITLES = {
    "baseline": "基準（2色・長方形・全員 t）",
    "sweep_t": "介入 (a) 許容 t の掃引 0.10〜0.60",
    "sweep_t_ext": "追加 許容 t 0.65〜0.80（仕様の外側）",
    "indifferent": "介入 (b) 無頓着な住民（t=0）を混ぜる・他の住民は t=0.30",
    "move_prob": "介入 (c) 引越し費用＝不満でも動く確率・t=0.30",
    "colors_shape": "介入 (d) 色の数と街の形・t=0.30",
}


def label(key: str) -> str:
    if key in LABELS:
        return LABELS[key]
    if key.startswith("t") and key[1:].isdigit():
        return f"t={int(key[1:]) / 100:.2f}"
    return key


def load(results_dir: str) -> dict:
    with open(os.path.join(results_dir, "summary.json")) as f:
        return json.load(f)


def find(summary: dict, key: str) -> dict:
    for g in summary["groups"].values():
        if key in g:
            return g[key]
    raise KeyError(key)


def fmt_range(a: dict, pct=False, nd=1) -> str:
    if pct:
        return f"{a['mean']*100:.{nd}f}%（{a['min']*100:.{nd}f}〜{a['max']*100:.{nd}f}）"
    return f"{a['mean']:.{nd}f}（{a['min']:.{nd}f}〜{a['max']:.{nd}f}）"


def metric_value(summary: dict, cond: str, metric: str):
    s = find(summary, cond)
    base = find(summary, "t030")
    if metric == "identical_to_t030":
        return summary["checks"]["t030_equals_t033_all_seeds"]
    if metric == "converged_share":
        return s["converged_share"]
    if metric == "steps":
        return s["steps"]["mean"]
    if metric == "steps_ratio_to_baseline":
        return s["steps"]["mean"] / base["steps"]["mean"]
    if metric.endswith("_ratio_to_baseline"):
        m = metric[: -len("_ratio_to_baseline")]
        return s[m]["mean"] / base[m]["mean"]
    return s[metric]["mean"]


def check_predictions(summary: dict, preds: dict) -> list:
    out = []
    for p in preds["predictions"]:
        # 予測ファイルは条件のキーが確定する前に書いた。予測ファイルは書き換えず、名前の対応だけをここで取る。
        alias = {"sweep_t010": "t010", "sweep_t060": "t060", "baseline_t030": "t030", "baseline_t033": "t033",
                 "indiff_010": "indiff010", "indiff_030": "indiff030", "moveprob_020": "moveprob020"}
        cond = alias.get(p["condition"], p["condition"])
        v = metric_value(summary, cond, p["metric"])
        if p["kind"] == "bool":
            hit = bool(v) == bool(p["value"])
        else:
            hit = p["lo"] - 1e-12 <= v <= p["hi"] + 1e-12
        out.append({**p, "observed": v, "hit": hit})
    return out


def equivalence_classes(summary: dict, group: str) -> list:
    """同じグループ内で、全シードの最終格子が一致する条件の組。"""
    g = summary["groups"][group]
    keys = list(g.keys())
    seen, classes = set(), []
    for i, a in enumerate(keys):
        if a in seen:
            continue
        cls = [a]
        for b in keys[i + 1:]:
            if g[a]["final_grid_sha256"] == g[b]["final_grid_sha256"]:
                cls.append(b)
                seen.add(b)
        if len(cls) > 1:
            classes.append(cls)
    return classes


def build_markdown(summary: dict, checks: list) -> str:
    c = summary["config"]
    L = []
    L.append(f"> {DISCLOSURE}")
    L.append("")
    L.append(f"# {PUBLIC_NAME} シェリング分居モデル — 結果表")
    L.append("")
    L.append(f"生成: `sim/make_report.py` が `sim/results/summary.json`（{c['generated_at']}）から自動生成。**手で編集しない。**")
    L.append("")
    L.append(f"- モデル: {c['model']}")
    L.append(f"- 格子 {c['size']}×{c['size']}（{c['cells']}区画）・空き {c['empty_cells']}区画・住民 {c['agents']}人・近傍 {c['neighbourhood']}")
    L.append(f"- 分離度 D: {c['district']}×{c['district']}区画の地区 {c['districts']}個で計算する多群の相違指数（Reardon & Firebaugh 2002。2色では Duncan & Duncan 1955 の D）")
    L.append(f"- シード: {c['seeds']}（各条件 n={c['n_per_condition']}）・画面に出す街はシード {c['display_seed']}（最初の1本・選んでいない）・上限 {c['max_steps']} ステップ")
    L.append(f"- 動き: {c['move_rule']}")
    L.append(f"- 隣人0人: {c['no_neighbour_rule']}")
    L.append(f"- 表記: 平均（最小〜最大）・n=10。% は住民に占める割合。")
    L.append(f"- 全実験の実行時間: {summary['runtime_s']} 秒（{len(c['conditions'])} 条件 × {c['n_per_condition']} シード、並列）")
    L.append("")
    r2, r3 = c["random_reference_2col"], c["random_reference_3col"]
    L.append("## 参照: 色だけを無作為に混ぜ直した街")
    L.append("")
    L.append(f"| | 同色隣人率 | 過半数同色 | 分離度 D | n |")
    L.append("|---|---|---|---|---|")
    L.append(f"| 2色 | {fmt_range(r2['mean_same'], True)} | {fmt_range(r2['share_majority'], True)} | {fmt_range(r2['dissimilarity'], nd=3)}（二項分布の厳密な期待値 {r2['dissimilarity_expected_binomial']:.3f}） | {r2['n_note']} |")
    L.append(f"| 3色 | {fmt_range(r3['mean_same'], True)} | {fmt_range(r3['share_majority'], True)} | {fmt_range(r3['dissimilarity'], nd=3)} | {r3['n_note']} |")
    L.append("")
    for gname, conds in summary["groups"].items():
        L.append(f"## {GROUP_TITLES.get(gname, gname)}")
        L.append("")
        L.append("| 条件 | 収束 | ステップ | 同色隣人率 | 過半数同色 | 隣が全員同色 | 分離度 D | 最初の不満 | 動いた人 | 連鎖で動いた人 | 満足できず移った回数 |")
        L.append("|---|---|---|---|---|---|---|---|---|---|---|")
        for k, v in conds.items():
            L.append("| " + " | ".join([
                label(k), f"{v['converged_n']}/{v['n']}", fmt_range(v["steps"]),
                fmt_range(v["final.mean_same"], True), fmt_range(v["final.share_majority"], True),
                fmt_range(v["final.share_all_same"], True), fmt_range(v["final.dissimilarity"], nd=3),
                fmt_range(v["init_unhappy_share"], True), fmt_range(v["ever_moved_share"], True),
                fmt_range(v["cascade_movers_share"], True), fmt_range(v["moves_unsatisfied"], nd=0),
            ]) + " |")
        eq = equivalence_classes(summary, gname)
        if eq:
            L.append("")
            L.append("同じ結果になった条件（全シードで最終格子の sha256 が一致）: " + "、".join("＝".join(label(x) for x in cls) for cls in eq)
                     + "。8人以下の隣人では、許容の境目が分数 k/n でしか効かないため。")
        L.append("")
    L.append("## 事前登録した予測（第一感）の当たり外れ")
    L.append("")
    L.append("予測は `sim/predictions.json`（シミュレーションを回す前に記録）。判定は機械的。")
    L.append("")
    L.append("| id | 予測 | 観測 | 判定 |")
    L.append("|---|---|---|---|")
    for p in checks:
        obs = p["observed"]
        obs_s = str(obs) if isinstance(obs, bool) else f"{obs:.3f}"
        L.append(f"| {p['id']} | {p['text']} | {obs_s} | {'当たり' if p['hit'] else '**外れ**'} |")
    hits = sum(p["hit"] for p in checks)
    L.append("")
    L.append(f"当たり {hits} / {len(checks)}。")
    L.append("")
    return "\n".join(L)


def main(argv=None):
    ap = argparse.ArgumentParser()
    ap.add_argument("--results", default=os.path.join(HERE, "results"))
    ap.add_argument("--out", default=os.path.join(ROOT, "report", "results.md"))
    args = ap.parse_args(argv)
    summary = load(args.results)
    with open(os.path.join(HERE, "predictions.json")) as f:
        preds = json.load(f)
    checks = check_predictions(summary, preds)
    with open(os.path.join(args.results, "predictions_check.json"), "w") as f:
        json.dump({"source": "sim/predictions.json", "checks": checks,
                   "hits": sum(p["hit"] for p in checks), "n": len(checks)}, f, ensure_ascii=False, indent=1)
    os.makedirs(os.path.dirname(args.out), exist_ok=True)
    with open(args.out, "w") as f:
        f.write(build_markdown(summary, checks))
    print(f"wrote {args.out} ({sum(p['hit'] for p in checks)}/{len(checks)} predictions hit)")
    return 0


if __name__ == "__main__":
    sys.exit(main())