"""端到端最小流程：读数据 → 清洗 → 描述 → bootstrap → 出图。

体量刻意压到最小，只用来确认"环境 + 包 + 出图"这条链路是通的。
"""

from __future__ import annotations

import numpy as np

import mcm_toolkit as mcm


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

    # 1) 造一份带缺失和离群点的数据（真实赛题里这步是 load_table）
    rng = np.random.default_rng(20260101)
    heights = rng.normal(170, 8, size=300)
    heights[[3, 77]] = [260.0, -10.0]  # 两个录入错误

    # 2) 找出离群点（约定：只标不删，删不删是人来决定）
    mask = np.asarray(mcm.data.detect_outliers(heights, method="iqr"))
    print(f"检出离群点 {mask.sum()} 个")

    clean = heights[~mask]

    # 3) 描述统计
    print(mcm.stats.describe(clean))

    # 4) 中位数的 bootstrap 置信区间（统计量没有解析分布时的通用答案）
    ci = mcm.bootstrap_ci(clean, statistic=np.median, n_resamples=10000, random_state=20260101)
    print(f"中位数 = {np.median(clean):.2f}, 95% CI = [{ci.params['low']:.2f}, {ci.params['high']:.2f}]")

    # 5) 出图（默认同时写 png + pdf，300 dpi）
    mcm.viz.mcm_style()
    fig, ax = mcm.viz.plot(clean, kind="hist", title="身高分布", xlabel="cm")
    paths = mcm.viz.save_figure(fig, "figures/quickstart_hist")
    print("已写出：", [str(p) for p in paths])


if __name__ == "__main__":
    main()