"""data 包最小用法：读 → 清 → 补 → 判离群 → 缩尾。

每一步都对应 `tests/test_data.py` 里的一条用例；体量刻意压到最小。
`stats.describe`（描述统计）还没实现，最后留了 TODO(L0) 的位置。
"""

from __future__ import annotations

import tempfile
from pathlib import Path

import numpy as np
import pandas as pd

import mcm_toolkit as mcm


def main() -> None:
    mcm.set_seed(20260101)

    # 1) 假装这是从 Excel 导出的赛题数据：带文本列、带缺失、带两个录入错误
    df = pd.DataFrame(
        {
            "city": ["A", "B", "C", "D", "E", "F"],
            "gdp": [1000.0, 1100.0, np.nan, 1300.0, 1400.0, 9999.0],
            "pop": [10.0, 11.0, np.nan, np.nan, 20.0, 15.0],
            "notes": ["ok", "ok", np.nan, "ok", np.nan, "异常"],
        }
    )

    with tempfile.TemporaryDirectory() as tmp:
        path = Path(tmp) / "demo.csv"

        # 2) 写盘再读回：load_table 按扩展名分派，.csv 会自动探测编码
        mcm.data.save_table(df, path)
        loaded = mcm.data.load_table(path)
        print(f"读回 {loaded.shape[0]} 行 × {loaded.shape[1]} 列")

        # 3) 缺失太多的行先删：缺失比例 > 0.5 的走人（4 列，阈值 0.5 -> 至少要 2 个非空）
        kept = mcm.data.clean_missing(loaded, axis=0, threshold=0.5)
        print(f"按缺失比例删行：{loaded.shape[0]} -> {kept.shape[0]}")

        # 4) 剩下的缺失做填补。mean 只作用于数值列，notes 列原样保留缺失
        filled = mcm.data.impute_missing(kept, method="mean")
        print("填补后每列缺失数：", filled.isna().sum().to_dict())

        # 5) 找离群点：只标不删，删不删由人决定
        mask = mcm.data.detect_outliers(filled, method="iqr", k=1.5)
        print("检出离群点：")
        print(mask)
        print(f"共 {int(mask.sum().sum())} 个；notes 列恒 False（非数值列不参与统计）")

        # 6) 不删也能用：缩尾把极端值压到分位点上，而不是丢掉整行
        w = mcm.data.winsorize(filled, lower=0.01, upper=0.99)
        print(f"gdp 最大值 {filled['gdp'].max():.1f} -> 缩尾后 {w['gdp'].max():.1f}")

    # TODO(L0)：stats.describe(filled[["gdp", "pop"]]) 还没实现，实现后在这里加一段描述统计。


if __name__ == "__main__":
    main()