//! Observador estadístico. Mantiene marginales y co-ocurrencias dentro de una
//! ventana deslizante. Calcula entropía de Shannon e información mutua para
//! identificar correlaciones significativas.
//!
//! Diseño:
//!   - Counters incrementales: cada `record()` es O(window_size) en el peor
//!     caso (actualiza co-ocurrencias con cada evento del window).
//!   - Sin recomputaciones globales: marginales y joint counts son state.
//!   - El cálculo de H(X), P(B|A), I(A;B) es O(|distinct events|).

use crate::rules::EventKind;
use std::collections::{HashMap, VecDeque};
use std::time::Instant;

/// Evento timestamped. El timestamp se conserva para futuras políticas de
/// expiración por tiempo (no sólo por count).
#[derive(Debug, Clone)]
pub struct TimedEvent {
    pub kind: EventKind,
    pub at: Instant,
}

pub struct Observer {
    window: VecDeque<TimedEvent>,
    window_size: usize,
    marginal: HashMap<EventKind, u64>,
    cooccur: HashMap<(EventKind, EventKind), u64>,
    total: u64,
}

impl Observer {
    pub fn new(window_size: usize) -> Self {
        Self {
            window: VecDeque::with_capacity(window_size),
            window_size,
            marginal: HashMap::new(),
            cooccur: HashMap::new(),
            total: 0,
        }
    }

    /// Registra un evento. Actualiza marginales y co-ocurrencias contra todo
    /// evento aún en la ventana.
    pub fn record(&mut self, kind: EventKind) {
        let now = Instant::now();
        let timed = TimedEvent { kind: kind.clone(), at: now };

        // Co-ocurrencias: este evento con cada uno previo en ventana.
        for w in &self.window {
            *self.cooccur
                .entry((w.kind.clone(), kind.clone()))
                .or_insert(0) += 1;
        }

        self.window.push_back(timed);
        if self.window.len() > self.window_size {
            self.window.pop_front();
        }

        *self.marginal.entry(kind).or_insert(0) += 1;
        self.total += 1;
    }

    /// Entropía de Shannon de la distribución marginal de eventos.
    /// H(X) = −Σ p(x) log₂ p(x). Unidad: bits.
    pub fn shannon_entropy(&self) -> f64 {
        if self.total == 0 { return 0.0; }
        let total = self.total as f64;
        self.marginal.values()
            .map(|&c| {
                let p = c as f64 / total;
                if p > 0.0 { -p * p.log2() } else { 0.0 }
            })
            .sum()
    }

    /// P(b | a) = "dado que algo siguió a `a` dentro del window, qué fracción
    /// fue `b`". Suma 1 sobre todos los b posibles para un a fijo.
    ///
    /// Implementación: cooccur(a, b) / Σ_x cooccur(a, x). Esto da una
    /// probabilidad condicional propia [0, 1].
    pub fn conditional_prob(&self, a: &EventKind, b: &EventKind) -> f64 {
        let joint = self.cooccur
            .get(&(a.clone(), b.clone()))
            .copied()
            .unwrap_or(0) as f64;
        let row_total: u64 = self.cooccur.iter()
            .filter_map(|((x, _), c)| if x == a { Some(*c) } else { None })
            .sum();
        if row_total == 0 { 0.0 } else { joint / row_total as f64 }
    }

    /// Información mutua puntual entre `a` y `b`:
    /// PMI(a, b) = log₂( P(a, b) / (P(a) · P(b)) ).
    /// Positivo → más correlacionados de lo que sugiere independencia.
    pub fn pmi(&self, a: &EventKind, b: &EventKind) -> f64 {
        if self.total == 0 { return 0.0; }
        let total = self.total as f64;
        let joint = self.cooccur
            .get(&(a.clone(), b.clone()))
            .copied()
            .unwrap_or(0) as f64 / total;
        let pa = self.marginal.get(a).copied().unwrap_or(0) as f64 / total;
        let pb = self.marginal.get(b).copied().unwrap_or(0) as f64 / total;
        if joint == 0.0 || pa == 0.0 || pb == 0.0 { return 0.0; }
        (joint / (pa * pb)).log2()
    }

    /// Información mutua acumulada de la pareja (a, b) ponderada por su
    /// probabilidad conjunta. Útil como medida de "interés" del par.
    pub fn weighted_pmi(&self, a: &EventKind, b: &EventKind) -> f64 {
        if self.total == 0 { return 0.0; }
        let joint = self.cooccur
            .get(&(a.clone(), b.clone()))
            .copied()
            .unwrap_or(0) as f64 / self.total as f64;
        joint * self.pmi(a, b)
    }

    pub fn marginals(&self) -> &HashMap<EventKind, u64> { &self.marginal }
    pub fn cooccurrences(&self) -> &HashMap<(EventKind, EventKind), u64> { &self.cooccur }
    pub fn total(&self) -> u64 { self.total }
    pub fn window_size(&self) -> usize { self.window_size }
    pub fn current_window(&self) -> usize { self.window.len() }

    /// Últimos N eventos del window, en orden cronológico (más viejo primero).
    /// Si N > window.len(), devuelve todo el window.
    pub fn recent(&self, n: usize) -> impl Iterator<Item = &TimedEvent> {
        let start = self.window.len().saturating_sub(n);
        self.window.range(start..)
    }
}

#[cfg(test)]
mod tests {
    use super::*;
    use crate::rules::EventKind::*;

    #[test]
    fn entropy_zero_for_single_event() {
        let mut obs = Observer::new(10);
        for _ in 0..5 { obs.record(EnteSpawned); }
        // Distribución degenerada: una sola observación posible → H = 0.
        assert!(obs.shannon_entropy() < 1e-9);
    }

    #[test]
    fn entropy_one_for_balanced_binary() {
        let mut obs = Observer::new(100);
        for _ in 0..10 { obs.record(EnteSpawned); }
        for _ in 0..10 { obs.record(EnteDied); }
        // Bernoulli(0.5) → H = 1 bit.
        assert!((obs.shannon_entropy() - 1.0).abs() < 1e-9);
    }

    #[test]
    fn conditional_prob_perfect_dependency() {
        let mut obs = Observer::new(100);
        // Spawned siempre seguido por Died.
        for _ in 0..5 {
            obs.record(EnteSpawned);
            obs.record(EnteDied);
        }
        let p = obs.conditional_prob(&EnteSpawned, &EnteDied);
        assert!(p > 0.0, "esperamos correlación positiva, got {p}");
    }
}