"""
시뮬레이션 엔진 - lotto-lab 고도화

[몬테카를로 시뮬레이션 흐름]
1. 역대 당첨번호 기반 통계 캐시 구성 (build_analysis_cache)
2. 통계 가중치로 N개 후보 조합 생성 (weighted sampling)
3. 5가지 기법으로 각 후보 스코어링 (score_combination)
4. 상위 top_k개 선별하여 DB 저장 (simulation_candidates, best_picks 교체)

[시뮬레이션 파라미터]
- n_candidates: 1회 시뮬레이션당 생성 후보 수 (기본 20,000)
- top_k: 선별 및 저장할 상위 개수 (기본 100)
- best_n: best_picks에 올릴 최상위 개수 (기본 20)
"""

import random
from typing import Dict, Any, List, Optional

from .db import (
    get_latest_draw,
    get_all_draw_numbers,
    save_simulation_run,
    save_simulation_candidates_bulk,
    replace_best_picks,
)
from .analyzer import build_analysis_cache, build_number_weights, score_combination
from .utils import weighted_sample_6


def run_simulation(
    n_candidates: int = 20000,
    top_k: int = 100,
    best_n: int = 20,
) -> Dict[str, Any]:
    """
    몬테카를로 시뮬레이션 실행 메인 함수.

    Args:
        n_candidates: 생성할 후보 조합 수 (기본 20,000)
        top_k: DB에 저장할 상위 후보 수 (기본 100)
        best_n: best_picks에 올릴 최상위 수 (기본 20)

    Returns:
        {run_id, total_generated, top_k_selected, avg_score, best_score, based_on_draw}
        또는 {"error": ...}
    """
    draws = get_all_draw_numbers()
    if not draws:
        return {"error": "당첨번호 데이터가 없습니다. 먼저 동기화를 실행하세요."}

    latest = get_latest_draw()
    based_on_draw = latest["drw_no"] if latest else None

    # ── 1. 통계 캐시 및 가중치 구성 (시뮬레이션 전체에서 재사용) ────────────
    cache = build_analysis_cache(draws)
    weights = build_number_weights(cache)

    # ── 2. 후보 생성 및 스코어링 ──────────────────────────────────────────────
    candidates: List[Dict[str, Any]] = []
    seen_keys: set = set()
    max_attempts = n_candidates * 3  # 중복 제거 여유분

    attempts = 0
    while len(candidates) < n_candidates and attempts < max_attempts:
        attempts += 1
        nums = weighted_sample_6(weights)
        key = tuple(sorted(nums))
        if key in seen_keys:
            continue
        seen_keys.add(key)

        scores = score_combination(nums, cache)
        candidates.append({
            "numbers": sorted(nums),
            **scores,
        })

    # ── 3. 점수 내림차순 정렬 및 상위 선별 ──────────────────────────────────
    candidates.sort(key=lambda x: -x["score_total"])
    top_candidates = candidates[:top_k]

    # is_best 플래그 표시
    best_keys = {tuple(c["numbers"]) for c in top_candidates[:best_n]}
    for c in top_candidates:
        c["is_best"] = tuple(c["numbers"]) in best_keys

    avg_score = (
        sum(c["score_total"] for c in top_candidates) / len(top_candidates)
        if top_candidates else 0.0
    )
    best_score = top_candidates[0]["score_total"] if top_candidates else 0.0

    # ── 4. DB 저장 ────────────────────────────────────────────────────────────
    run_id = save_simulation_run(
        strategy="monte_carlo",
        total_generated=len(candidates),
        top_k_selected=len(top_candidates),
        avg_score=avg_score,
        notes=f"based_on_draw={based_on_draw}, history={len(draws)}회",
    )

    # 상위 top_k개만 DB에 저장 (전체 20,000개는 메모리에서만 처리)
    save_simulation_candidates_bulk(run_id, top_candidates, based_on_draw)

    # best_picks 교체 (상위 best_n개)
    best_picks_data = [
        {
            "numbers": c["numbers"],
            "score_total": c["score_total"],
            "rank_in_run": i + 1,
        }
        for i, c in enumerate(top_candidates[:best_n])
    ]
    replace_best_picks(best_picks_data, run_id, based_on_draw)

    return {
        "run_id": run_id,
        "total_generated": len(candidates),
        "top_k_selected": len(top_candidates),
        "best_n_saved": len(best_picks_data),
        "avg_score": round(avg_score, 6),
        "best_score": round(best_score, 6),
        "based_on_draw": based_on_draw,
    }


def generate_smart_recommendations(count: int = 10) -> int:
    """
    하위 호환성 유지용 래퍼.
    내부적으로 run_simulation을 호출하며, 기존 /api/admin/auto_gen 등에서 계속 사용 가능.
    """
    result = run_simulation(n_candidates=5000, top_k=count, best_n=count)
    if "error" in result:
        return 0
    return result.get("best_n_saved", 0)