"""TOPSIS 逼近理想解排序。

原建议把标准化（`benefit_normalize` 等 4 个函数）单列一节，
这里合并进 `topsis` 的 `method` 参数——因为它们是同一个流程的步骤，
拆开反而容易出现"标准化用了一套、权重算的时候又换一套"的错位。
"""

from __future__ import annotations

from typing import Any

__all__ = ["topsis"]


def topsis(
    X: Any,
    weights: Any = None,
    benefit_columns: Any = None,
    method: str = "vector",
    labels: Any = None,
) -> Any:
    """TOPSIS 综合评价。

    Parameters
    ----------
    X:
        决策矩阵，行 = 待评价方案，列 = 指标。
    weights:
        权重。`None` 时用等权（并在 `message` 里提示）。
    benefit_columns:
        效益型指标的列名/下标，其余按成本型处理。
        **必填或显式全选**，不允许默认假设——方向搞反会让排名完全颠倒。
    method:
        列向量的无量纲化方式：`"vector"`（`x/√Σx²`，TOPSIS 原始做法，默认）
        或 `"minmax"`。
    labels:
        方案名，用于结果表。

    Returns
    -------
    `Result`：`data` 是含 `D+ / D- / closeness / rank` 四列、按 `rank` 排好的表，
    `params["weights"]` 回显实际使用的权重。

    Notes
    -----
    * 正理想解 = 各指标最优值，负理想解 = 各指标最劣值；
      贴近度 `C = D- / (D+ + D-)`，**C 越大越好**。
    * TOPSIS 的排名对权重敏感。论文里应附"权重扰动 ±10% 后排名是否稳定"的
      敏感性分析——直接调 `solve.robustness_test`。

    Examples
    --------
    >>> import numpy as np
    >>> r = topsis(np.array([[1., 2.], [3., 1.], [2., 3.]]), benefit_columns=[0, 1])
    >>> list(r.data["rank"])
    [2, 3, 1]
    """
    # TODO(L1)  ★ S 档：配完整函数卡片
    raise NotImplementedError