"""MP1 · paso 41: muestra del cotejo de 30 casos (pre-registro §11), semilla «mp1-cotejo-30». Imagen bquantagents-worker.
Escribe /w/interno/cotejo/muestra.csv (casos con los valores de nuestros datos) y /w/interno/cotejo/objetivos.json (para el
paso 40). Desviación declarada: los 4 casos de (e) se sortean entre las series de la PLACSP (su ficha original es el ATOM).
"""
import json, hashlib, os
import numpy as np, pandas as pd

SEED = int(hashlib.md5(b"mp1-cotejo-30").hexdigest()[:8], 16)
rng = np.random.default_rng(SEED)
OUT = "/w/interno/cotejo"; os.makedirs(OUT, exist_ok=True)
L = pd.read_csv("/w/interno/lotes.csv", dtype={"licitacion_id": "string", "lote_u": "string", "organo_clave": "string",
                "cpv_div": "string", "cpv_cel": "string"}, low_memory=False)
def toma(df, k):
    return df.iloc[rng.choice(len(df), size=min(k, len(df)), replace=False)] if len(df) else df
filas = []
pd_des = pd.read_csv("/w/interno/mp1_des/predicciones.csv", dtype={"licitacion_id": "string", "lote_u": "string"})
t = pd_des[pd_des["ventana"] == "test"]
for k, sub in ((3, t[t["y"] == 1]), (9, t[t["y"] == 0])):
    for _, r in toma(sub, k).iterrows():
        filas.append({"grupo": "ab", "licitacion_id": r["licitacion_id"], "lote_u": r["lote_u"], "y_des": int(r["y"]), "anio_zip": 2026})
pm = pd.read_csv("/w/interno/mp1_mod/predicciones.csv", dtype={"licitacion_id": "string", "lote_u": "string"})
t = pm[pm["ventana"] == "test"]
for k, sub in ((4, t[t["y"] == 1]), (4, t[t["y"] == 0])):
    for _, r in toma(sub, k).iterrows():
        filas.append({"grupo": "c", "licitacion_id": r["licitacion_id"], "lote_u": r["lote_u"], "y_mod": int(r["y"]), "anio_zip": 2025})
m = pd.DataFrame(filas).merge(L, on=["licitacion_id", "lote_u"], how="left")
if os.path.exists("/w/interno/mp1_rec/predicciones.csv"):
    pr = pd.read_csv("/w/interno/mp1_rec/predicciones.csv", dtype={"licitacion_id": "string"})
    sel = pd.concat([toma(pr[pr["y"] == 1], 3), toma(pr[pr["y"] == 0], 3)])
    rec = pd.read_csv("/w/interno/recurso.csv", dtype={"licitacion_id": "string"})
    sel = sel[["licitacion_id", "y"]].rename(columns={"y": "y_rec"}).merge(rec, on="licitacion_id", how="left", suffixes=("", "_r"))
    sel["grupo"] = "d"; sel["anio_zip"] = 2026
    m = pd.concat([m, sel], ignore_index=True)
if os.path.exists("/w/interno/mp1_ser/predicciones.csv"):
    ps = pd.read_csv("/w/interno/mp1_ser/predicciones.csv", dtype={"licitacion_id": "string"})
    t = ps[(ps["ventana"] == "test") & (ps["fuente"] == "PLACSP")]
    sel = pd.concat([toma(t[t["y"] == 1], 2), toma(t[t["y"] == 0], 2)])
    sel = sel.rename(columns={"licitacion_id": "serie", "y": "y_ser"})[["serie", "organo_clave", "y_ser", "t", "clase", "cpv_div"]]
    sel["grupo"] = "e"
    m = pd.concat([m, sel], ignore_index=True)
m["clave"] = [f"c{i:02d}" for i in range(len(m))]
m.to_csv(f"{OUT}/muestra.csv", index=False)
obj = []
for _, r in m.iterrows():
    if r["grupo"] in ("ab", "c", "d") and isinstance(r["licitacion_id"], str):
        idn = r["licitacion_id"].split(":", 1)[1]
        carpeta = "licitaciones" if "licitacionesPerfilContratante" in idn else "agregacion"
        base = {"licitaciones": "licitacionesPerfilesContratanteCompleto3", "agregacion": "PlataformasAgregadasSinMenores"}[carpeta]
        anio = int(r["anio_zip"])
        zips = [f"{carpeta}/{base}_{a}.zip" for a in range(anio, 2027)]
        obj.append({"clave": r["clave"], "zip": zips, "id": idn})
json.dump(obj, open(f"{OUT}/objetivos.json", "w"), indent=1)
print(m["grupo"].value_counts().to_dict(), len(obj))