# QC Élection Forecast — Plateforme de prévision électorale du Québec 2026
# Auteur : Simon-Pierre Boucher
# Contact : contact@spboucher.ai
# https://www.qc-election.com
"""Cadre d'ablation (v3 « 127 », règle §22) — chaque couche doit prouver
qu'elle ne dégrade pas la prévision.

Rejoue le backtest 2022 pour une série de VARIANTES (couche retirée une à une)
et compare les scores : une couche qui dégrade systématiquement Brier/EAM doit
être retirée, reparamétrée ou reléguée au statut expérimental. Le rapport est
archivé (`data/ablation_report.json`) et exposé par l'API — aucune couche ne
peut modifier silencieusement le forecast.
"""
from __future__ import annotations

import json
from contextlib import contextmanager
from datetime import date

from sqlalchemy.orm import Session

from ...config import DATA_DIR, settings

# Variantes d'ablation : nom → surcharges de configuration temporaires.
VARIANTS: dict[str, dict] = {
    "FULL": {},
    "sans_fondamentaux": {"fundamentals_enabled": False},
    "sans_partielles": {"byelections_enabled": False},
    "sans_medias": {"media_nudge_enabled": False},
    "sans_volatilite_sociale": {"enable_social_volatility": False},
    "sondages_seuls": {"fundamentals_enabled": False,
                       "byelections_enabled": False,
                       "media_nudge_enabled": False,
                       "enable_social_volatility": False},
}


@contextmanager
def _overrides(over: dict):
    """Applique temporairement des surcharges de settings (restaurées ensuite)."""
    saved = {k: getattr(settings, k) for k in over}
    for k, v in over.items():
        object.__setattr__(settings, k, v)
    try:
        yield
    finally:
        for k, v in saved.items():
            object.__setattr__(settings, k, v)


def run_ablation(db: Session, n_sims: int = 6000,
                 horizons: list[int] | None = None) -> dict:
    """Backtest 2022 par variante → tableau comparatif des scores.
    NB : les couches non rejouables en 2022 (partielles, médias, volatilité —
    données indisponibles) affichent des scores identiques au FULL : le cadre
    les journalise comme « non identifiées en 2022 » plutôt que de simuler un
    effet inexistant (règle §1.4, aucun data leakage)."""
    from ..backtest import run_backtest
    horizons_keep = horizons or [120, 60, 30, 7, 1]
    report: dict = {"generated": date.today().isoformat(),
                    "model_version": settings.model_version,
                    "n_sims": n_sims, "variants": {}}
    for name, over in VARIANTS.items():
        with _overrides(over):
            bt = run_backtest(db, n_sims=n_sims, save_runs=False)
        rows = []
        for h in bt["horizons"]:
            if h.get("horizon") in horizons_keep and "national" in h:
                rows.append({"horizon": h["horizon"],
                             "mae_pp": h["national"]["mae_pp"],
                             "coverage_95": h["national"]["coverage_95"],
                             "seat_mae": h["seats"]["mae"],
                             "brier": h["districts"]["brier"],
                             "winner_accuracy": h["districts"]["winner_accuracy"]})
        avg = {k: round(sum(r[k] for r in rows) / len(rows), 4)
               for k in ("mae_pp", "seat_mae", "brier", "winner_accuracy")} if rows else {}
        report["variants"][name] = {"overrides": over, "horizons": rows,
                                    "avg": avg}
    full = report["variants"].get("FULL", {}).get("avg", {})
    for name, v in report["variants"].items():
        if name == "FULL" or not v["avg"]:
            continue
        v["delta_vs_full"] = {k: round(v["avg"][k] - full.get(k, 0), 4)
                              for k in v["avg"]}
    (DATA_DIR / "ablation_report.json").write_text(
        json.dumps(report, indent=1, ensure_ascii=False))
    return report