"""
Auditoría mes a mes de la clasificación de homicidios.

Para cada mes M: entrena el multiclase SOLO con casos tipificados anteriores a M
y lo aplica a todo lo del mes M sin ver su etiqueta. Responde dos preguntas:

  1. ¿Clasificó SINADEF el mes M con las mismas reglas que antes?
     Compara los homicidios que el modelo espera entre los tipificados del mes
     con los que SINADEF efectivamente registró. Si las reglas no cambiaron,
     la diferencia es pequeña y similar a la de meses anteriores.

  2. ¿Cuántos homicidios hay escondidos en "NO SE CONOCE" del mes M?
     Suma de probabilidades calibradas sobre los sin tipificar del mes.

Uso: python auditoria_mensual.py 2026-04 2026-09
"""
from __future__ import annotations

import sys
import time
from pathlib import Path

import numpy as np
import pandas as pd

BASE = Path(__file__).resolve().parent
sys.path.insert(0, str(BASE))
from features_v2 import cargar, preparar  # noqa: E402
from multiclase import COLS, construir  # noqa: E402

ARMA = r"PROYECTIL|ARMA DE FUEGO|\bPAF\b|ARMA BLANCA|ESTRANGULA|APUÑAL|APU.ALAMIENTO"


def main(desde: str, hasta: str):
    t0 = time.time()
    df = preparar(cargar())
    df["mes"] = pd.to_datetime(df.FECHA).dt.strftime("%Y-%m")
    filas, casos = [], []
    for mes in pd.period_range(desde, hasta, freq="M").strftime("%Y-%m"):
        tr = df[(df.mes < mes) & (df.MUERTE_VIOLENTA != "NO SE CONOCE")]
        te = df[df.mes == mes].copy()
        m = construir().fit(tr[COLS], tr.MUERTE_VIOLENTA.to_numpy())
        cf = list(m.named_steps["clf"].classes_)
        p = m.predict_proba(te[COLS])
        te["p_hom"] = p[:, cf.index("HOMICIDIO")]
        te["pred"] = [cf[i] for i in p.argmax(1)]
        te["conf"] = p.max(1)
        lab, nsc = te[te.MUERTE_VIOLENTA != "NO SE CONOCE"], te[te.MUERTE_VIOLENTA == "NO SE CONOCE"]
        txt = nsc[["DEBIDO_CAUSA_" + x for x in "ABCDEF"]].astype(str).agg(" ".join, axis=1).str.upper()
        reg = int((lab.MUERTE_VIOLENTA == "HOMICIDIO").sum())
        filas.append({
            "mes": mes,
            "hom_registrados": reg,
            "hom_esperados_en_tipificados": round(lab.p_hom.sum(), 1),
            # Homicidios que SINADEF tipificó como otra cosa y viceversa
            "tipificados_otro_pero_perfil_hom": int(((lab.MUERTE_VIOLENTA != "HOMICIDIO") & (lab.p_hom >= .9)).sum()),
            "nsc": len(nsc),
            "hom_esperados_en_nsc": round(nsc.p_hom.sum(), 1),
            "nsc_perfil_hom_90": int(((nsc.pred == "HOMICIDIO") & (nsc.conf >= .9)).sum()),
            "nsc_con_arma_en_texto": int(txt.str.contains(ARMA, regex=True).sum()),
        })
        nsc = nsc.assign(arma_en_texto=txt.str.contains(ARMA, regex=True).values)
        casos.append(nsc)
        print(f"  {mes} listo ({time.time()-t0:.0f}s)", flush=True)

    r = pd.DataFrame(filas)
    r["hom_ajustado"] = (r.hom_registrados + r.hom_esperados_en_nsc).round()
    r["desvio_reglas_%"] = ((r.hom_registrados / r.hom_esperados_en_tipificados - 1) * 100).round(1)
    r.to_csv(BASE / "auditoria_mensual.csv", index=False)
    pd.concat(casos).to_parquet(BASE / "auditoria_mensual_nsc.parquet", index=False)
    pd.set_option("display.width", 250)
    print("\n", r.to_string(index=False))


if __name__ == "__main__":
    main(*(sys.argv[1:3] if len(sys.argv) > 2 else ("2026-04", "2026-09")))