import pandas as pd
import numpy as np

import logging
import re

from .effective_cities import effective_cities

# 获取日志记录器
logger = logging.getLogger(__name__)


# 获取省份统计结果及地市统计结果，仅统计个数情况
def deal_excel(start_time, end_time, file_path):
    try:
        logger.info("开始分析停电excel")
        logger.info(f"开始分析：{start_time}")
        logger.info(f"结束时间：{end_time}")

        # 获取所有sheet页名称
        excel_file = pd.ExcelFile(file_path)
        sheet_names = excel_file.sheet_names

        pattern_sheet = r"(2025年?投诉明细|投诉明细)[（\(\s]*供电类[\)）\s]*"

        # 使用正则表达式进行模糊匹配（不区分大小写）
        matched_sheets = [
            sheet
            for sheet in sheet_names
            if re.fullmatch(pattern_sheet, sheet, re.IGNORECASE)
        ]

        if len(matched_sheets) == 1:
            final_sheet = matched_sheets[0]
        else:
            logger.error("没有找到匹配的sheet页")
            return None

        df = pd.read_excel(
            file_path,
            sheet_name=final_sheet,
            skiprows=1,
        )

        # 将时间列转成字符串
        df["time"] = df["受理时间"].astype(str)

        # ---------------------------------------去点中间或两侧空格---------------------------------
        df["省"] = df["省"].str.strip().str.replace(r"\s+", "", regex=True)
        df["地市"] = df["地市"].str.strip().str.replace(r"\s+", "", regex=True)
        df["县区"] = df["县区"].str.strip().str.replace(r"\s+", "", regex=True)
        df["一级分类"] = df["一级分类"].str.strip().str.replace(r"\s+", "", regex=True)
        df["time"] = (
            df["time"]
            .str.strip()
            .str.replace(r"-|年|月|日|\.|时|分|秒|点", "/", regex=True)
        )
        # ---------------------------------------去点中间或两侧空格---------------------------------

        # 通过字符串功能格式化时间
        # df['time'] = df['time'].str.replace(r'-|年|月|日|\.|时|分|秒|点', '/', regex=True)
        # 转成date方便比较
        df["datetime"] = pd.to_datetime(df["time"])

        # 开始时间和结束时间
        # start_time = datetime(2025, 3, 5, 17, 0, 0)
        # end_time = datetime(2025, 3, 6, 17, 0, 0)
        # 拿到供电质量在当天的数据
        df = df[
            (df["datetime"] > start_time)
            & (df["datetime"] <= end_time)
            & (df["一级分类"] == "供电质量")
        ]

        print(f"只通过时间筛选的数据行数{len(df)}")

        # 对省份数据进行清洗
        province_list = ["广东", "广西", "云南", "贵州", "海南", "深圳"]

        # 省份正则
        province_pattern = "|".join(province_list)

        # 对省份数据进行清洗
        df["省"] = df["省"].apply(
            lambda x: re.search(province_pattern, x).group()
            if re.search(province_pattern, x)
            else ""
        )

        # 删除省份为空的值
        df = df[df["省"] != ""]

        # 判断数据区里面是否有深圳
        df["地市"] = df["地市"].astype(str)

        # df.loc[df['地市'].str.contains('深圳|罗湖|福田|南山|宝安|龙岗|盐田|龙华|坪山|光明|大鹏'), '省'] = '深圳'
        # 条件1：b 字段匹配正则
        mask_b = df["地市"].str.contains(
            "深圳|罗湖|福田|南山|宝安|龙岗|盐田|龙华|坪山|光明|大鹏",
            regex=True,
            na=False,
        )

        # 条件2：a 字段是特定值（例如 a=1 或 a=3）
        mask_a = df["省"].isin(["广东", "深圳"])  # 替换条件：a=1 或 a=3

        # 最终条件：b 匹配正则 且 a 在允许范围内
        final_mask = mask_b & mask_a

        # 执行替换
        df.loc[final_mask, "省"] = "深圳"

        # 对数据按照’省‘进行分类汇总
        group_province = df.groupby("省")
        province_statistics = {
            "广东": 0,
            "广西": 0,
            "云南": 0,
            "贵州": 0,
            "海南": 0,
            "深圳": 0,
        }
        # 保存省份统计的数据到字典
        province_temp = group_province.size().to_dict()
        # 最终当天省份的统计数据,利用update更新旧字典
        province_statistics.update(province_temp)

        # 地市处理逻辑
        # 81地市优化函数,非81地市的省份要不要算进去？
        df = effective_cities(df)
        # 对数据按照区进行分组汇总
        # 首先对省和地区进行拼接
        # 替换掉'供电局'字样
        df["地市"] = df["地市"].str.replace("供电局", "")
        # 对非深圳的地市，拼接省的信息
        df.loc[df["省"] != "深圳", "地市"] = df["省"] + "" + df["地市"]
        # 按照地市进行分组统计
        group_district = df.groupby("地市")
        # 将地市的统计数据保存到字典
        district_statistics = group_district.size().to_dict()
        # 对数据进行降序排列
        district_statistics = sorted(
            district_statistics.items(), key=lambda x: x[1], reverse=True
        )

        return province_statistics, district_statistics

    except Exception as e:
        logger.exception(f"对数据按照’省‘进行分类汇总{e}")


# 判断地市top5环比方法
def top5_dod_analysis(top, district_stat_before):
    try:
        logger.info("开始分析地市top5环比")
        if top[0] in district_stat_before.keys():
            top_dod = top[1] - district_stat_before[top[0]]
            if top_dod > 0:
                top_dod = "+" + str(top_dod)
                return top_dod

            elif top_dod == 0:
                top_dod = "持平"
                return top_dod

            else:
                return top_dod

        else:
            top_dod = "+" + str(top[1])
            return top_dod

    except KeyError:
        logger.exception(f"判断地市top5环比{KeyError}")
    except AttributeError:
        logger.exception(f"判断地市top5环比{AttributeError}")
    except ArithmeticError:
        logger.exception(f"判断地市top5环比{ArithmeticError}")


# 判断省份环比
# def province_dod_analysis(before:dict, after:dict):
#
#     dod = sum(after.values()) - sum(before.values())
#
#     if dod > 0:
#         dod = '+' + str(dod)
#         return dod
#     elif dod == 0:
#         dod = '持平'
#         return dod


# 将统计出来的省份数据或者排名前五的数据、环比组成列表，再转至（行和列互换），方便写入表格
def transform_data(data):
    try:
        logger.info("开始将统计出来的数据转至（行和列互换），方便写入表格")
        # 使用 NumPy 实现行转列
        transposed_data = np.array(data).transpose().tolist()

        return transposed_data
    except Exception as e:
        logger.exception(f"将统计出来的数据转至（行和列互换），方便写入表格{e}")