"""Fit, regola di scelta e analisi dei domini su segnali sintetici (verità nota: τ = 16 s, ambiente 23 °C)."""

import numpy as np
import pytest
from conftest import GRADINI, TAU, segnale

from fitseg import domini
from fitseg.analisi import analizza_domini, fit_scelto
from fitseg.fit import adatta
from fitseg.modelli import MODELLI, valuta


def test_modelli_valutazione():
    t = np.array([0.0, 1.0])
    assert valuta("costante", t, [5.0]).tolist() == [5.0, 5.0]
    assert valuta("lineare", t, [1.0, 2.0]).tolist() == [1.0, 3.0]
    assert valuta("esp_decad", t, [1.0, 2.0, 1.0])[0] == pytest.approx(3.0)
    assert set(MODELLI) == {"costante", "lineare", "esp_decad"}


@pytest.mark.parametrize("seed", range(5))
def test_esp_decad_recupera_parametri(cfg, seed):
    rng = np.random.default_rng(seed)
    t = np.arange(0, 100, 0.15)
    y = 23 + 180 * np.exp(-t / 16) + 0.1 * rng.standard_normal(len(t))
    fit = adatta(t, y, "esp_decad", 0.1, cfg)
    p = fit["parametri"]
    assert p["tau"] == pytest.approx(16, rel=0.02)
    assert p["c"] == pytest.approx(23, abs=0.2)
    assert p["A"] == pytest.approx(180, rel=0.02)
    assert fit["rmse"] == pytest.approx(0.1, rel=0.2)
    assert not fit["non_identificabile"] and not fit["parametri_a_limite"]


def test_parametri_fissi_restano_fissi(cfg):
    rng = np.random.default_rng(0)
    t = np.arange(0, 4, 0.15)
    y = 23 + 80 * np.exp(-t / 16) + 0.1 * rng.standard_normal(len(t))
    fit = adatta(t, y, "esp_decad", 0.1, cfg, fissi={"c": 23.0, "tau": 16.0})
    assert fit["fissi"] == ["c", "tau"]
    assert fit["parametri"]["c"] == 23.0 and fit["parametri"]["tau"] == 16.0
    assert fit["n_parametri"] == 1
    assert fit["parametri"]["A"] == pytest.approx(80, rel=0.03)


@pytest.mark.parametrize("seed", range(5))
def test_tau_libero_non_identificabile_su_tratto_corto_e_rumoroso(cfg, seed):
    # 3 s di dati con disturbi dell'ordine degli scarti casuali del sensore (≈ 2 °C): τ non è stimabile da solo
    rng = np.random.default_rng(seed)
    t = np.arange(0, 3, 0.15)
    y = 23 + 80 * np.exp(-t / 16) + 2.0 * rng.standard_normal(len(t))
    assert adatta(t, y, "esp_decad", 2.0, cfg)["non_identificabile"]


def test_analisi_completa_sintetico(sintetico, cfg):
    t, serie = sintetico
    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
    assert [r["tipo"] for r in ris] == ["riposo", "riscaldamento", "raffreddamento", "riscaldamento", "raffreddamento",
                                        "riscaldamento", "raffreddamento"]
    for nome in serie:
        assert ris[0]["serie"][nome]["scelta"] in ("costante", "lineare")
        finale = next(x for x in ris[6]["serie"][nome]["fit"] if x["modello"] == "esp_decad")
        assert finale["fissi"] == [] and finale["parametri"]["tau"] == pytest.approx(TAU, rel=0.03)
        for i in (2, 4):  # raffreddamenti intermedi: c e τ ereditati dal finale
            fit = next(x for x in ris[i]["serie"][nome]["fit"] if x["modello"] == "esp_decad")
            assert ris[i]["serie"][nome]["scelta"] == "esp_decad" and fit["fissi"] == ["c", "tau"]
            assert fit["parametri"]["tau"] == finale["parametri"]["tau"] and fit["parametri"]["c"] == finale["parametri"]["c"]
    # ampiezza dei raffreddamenti intermedi = somma dei decadimenti dei gradini già avvenuti, in t' = 0
    for i, n_gradini in ((2, 1), (4, 2)):
        t0 = ris[i]["t0_s"]
        attesa = sum(a * np.exp(-(t0 - tj) / TAU) for tj, a in GRADINI[:n_gradini])
        fit = next(x for x in ris[i]["serie"]["dT_C"]["fit"] if x["modello"] == "esp_decad")
        assert fit["parametri"]["A"] == pytest.approx(attesa, rel=0.05)


def test_riscaldamento_descritto_come_salto_non_fittato(sintetico, cfg):
    t, serie = sintetico
    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
    for i, (_, ampiezza) in zip((1, 3, 5), GRADINI, strict=True):
        vs = ris[i]["serie"]["dT_C"]
        assert vs["fit"] == [] and vs["scelta"] is None
        g = vs["gradino"]
        assert g["stima"] == "modelli" and g["n"] <= 3
        assert g["delta"] == pytest.approx(ampiezza, rel=0.03)  # stimato dai modelli adiacenti all'istante del gradino
        assert g["delta_misurato"] == pytest.approx(ampiezza, rel=0.15)  # misura sui campioni (stima per difetto)


def test_un_solo_raffreddamento_resta_libero(cfg):
    t, serie = segnale(gradini=[(20.0, 80.0)], durata=60.0)
    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
    assert [r["tipo"] for r in ris] == ["riposo", "riscaldamento", "raffreddamento"]
    assert all(x["fissi"] == [] for x in ris[2]["serie"]["T_C"]["fit"])


def test_dominio_troppo_corto_indeterminato(sintetico, cfg):
    t, serie = sintetico
    ds = [{"tipo": "riposo", "i0": 0, "i1": 5}]
    vs = analizza_domini(t, serie, ds, cfg)[0]["serie"]["T_C"]
    assert vs["scelta"] is None and "n_min_punti" in vs["motivo"]


def test_riproducibile(sintetico, cfg):
    t, serie = sintetico
    ds = domini.proponi(t, serie, cfg)
    a = analizza_domini(t, serie, ds, cfg)
    b = analizza_domini(t, serie, ds, cfg)
    assert a == b


def test_salto_senza_modelli_adiacenti_resta_la_misura(sintetico, cfg):
    t, serie = sintetico
    ds = domini.proponi(t, serie, cfg)[:2]  # riposo + riscaldamento: nessun raffreddamento dopo il gradino
    g = analizza_domini(t, serie, ds, cfg)[1]["serie"]["dT_C"]["gradino"]
    assert g["stima"] == "misura" and g["delta"] == g["delta_misurato"]


def test_raffreddamento_corto_con_parametri_fissi_si_fitta(cfg):
    # due gradini a 0.9 s: il tratto in mezzo ha pochi campioni, ma con c e τ fissi basta stimare A
    t, serie = segnale(gradini=[(20.0, 80.0), (20.9, 60.0)], durata=80.0)
    ds = domini.proponi(t, serie, cfg)
    ris = analizza_domini(t, serie, ds, cfg)
    intermedio = ris[2]
    assert intermedio["tipo"] == "raffreddamento" and intermedio["n_fit"] < cfg["domini"]["n_min_punti"]
    vs = intermedio["serie"]["dT_C"]
    assert vs["scelta"] == "esp_decad" and fit_scelto(vs)["fissi"] == ["c", "tau"]
    atteso = 80.0 * np.exp(-(intermedio["t0_s"] - 20.0) / TAU)
    assert fit_scelto(vs)["parametri"]["A"] == pytest.approx(atteso, rel=0.03)


def test_troppo_corto_anche_per_i_parametri_fissi(cfg):
    t, serie = segnale(gradini=[(20.0, 80.0), (20.5, 60.0)], durata=80.0)  # tratto intermedio di 1-2 campioni
    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
    vs = ris[2]["serie"]["dT_C"]
    assert vs["scelta"] is None and "n_min_punti_parametri_fissi" in vs["motivo"]


def test_sigma_non_stimabile_con_pochi_campioni():
    from fitseg.domini import N_MIN_SIGMA, sigma_rumore
    y = np.random.default_rng(0).standard_normal(N_MIN_SIGMA)
    assert np.isnan(sigma_rumore(y[:-1])) and np.isfinite(sigma_rumore(y))


def test_tratto_corto_e_quantizzato_non_diventa_non_identificabile(cfg):
    # 5 campioni quantizzati a 0.01: la MAD delle derivate seconde si annullerebbe (σ ≈ 0) e la perdita robusta degenererebbe
    from fitseg.analisi import _serie
    ty = np.arange(5) * 0.15
    yy = np.round(115.67 * np.exp(-ty / 15.8), 2)
    vs = _serie(ty, yy, sigma_rumore_di(yy), "raffreddamento", {"c": 0.0, "tau": 15.8}, cfg)
    assert vs["sigma"] is None and vs["adeguato"] is None
    assert vs["scelta"] == "esp_decad" and fit_scelto(vs)["parametri"]["A"] == pytest.approx(115.67, rel=0.01)


def sigma_rumore_di(y):
    from fitseg.domini import sigma_rumore
    return sigma_rumore(y)


def test_adeguatezza_ignora_gli_scarti_casuali(cfg):
    # modello giusto con pochi scarti casuali, solo a caldo come in gen_data (−3 °C che rientrano in 0.7 s): la RMSE sale oltre
    # la soglia del vecchio criterio, la scala robusta dei residui no
    t, serie = segnale(gradini=[(20.0, 80.0)], durata=80.0)
    T = serie["T_C"].copy()
    for tj, ampiezza in ((21.5, -3.5), (24.0, -3.0), (26.5, 3.0), (29.0, -4.0)):
        T += ampiezza * np.exp(-(t - tj) / 0.7) * (t >= tj)
    S = {"T_C": T, "dT_C": T - 23.0}
    vs = analizza_domini(t, S, domini.proponi(t, S, cfg), cfg)[-1]["serie"]["T_C"]
    fit = fit_scelto(vs)
    assert fit["rmse"] > 1.3 * vs["sigma"]                                          # il vecchio criterio lo scartava…
    assert fit["scala_residui"] <= 1.5 * vs["sigma"] and vs["adeguato"] is True     # …la scala robusta no
    assert fit["parametri"]["tau"] == pytest.approx(TAU, rel=0.03)


def test_salto_con_tratto_adiacente_indeterminato_usa_la_misura_corretta(cfg):
    # due gradini a 0.5 s: il tratto in mezzo (1-2 campioni) è indeterminato, ma c'è il raffreddamento finale con c e τ
    t, serie = segnale(gradini=[(20.0, 80.0), (20.5, 60.0)], durata=80.0)
    ris = analizza_domini(t, serie, domini.proponi(t, serie, cfg), cfg)
    assert ris[2]["serie"]["dT_C"]["scelta"] is None
    for i, ampiezza in ((1, 80.0), (3, 60.0)):
        g = ris[i]["serie"]["dT_C"]["gradino"]
        assert g["stima"] == "misura corretta"
        assert abs(g["delta"] - ampiezza) <= abs(g["delta_misurato"] - ampiezza) + 1e-9
        assert g["delta"] == pytest.approx(ampiezza, rel=0.03)


def test_dati_non_finiti_non_convergono_senza_eccezioni(cfg):
    t = np.arange(20) * 0.15
    y = 25.0 + np.exp(-t / 5.0)
    y[3] = np.nan
    for nome in MODELLI:
        r = adatta(t, y, nome, 0.1, cfg)
        assert r["convergenza"] is False and r["modello"] == nome