# -*- coding: utf-8 -*-

"""
普康健康_生成直付理赔周报
"""

# 加载模块

import pandas, numpy

from utils.pandas_extension import open_csv, save_as_workbook


# 根据机构所在省份匹配为机构名称
def match_institution_name(x):

    x_matched = "总部"

    match x:

        case "北京市" | "天津市":

            x_matched = "京津"

        case "河北省":

            x_matched = "河北"

        case "山西省":

            x_matched = "山西"

        case "内蒙古自治区":

            x_matched = "内蒙"

        case "辽宁省":

            x_matched = "辽宁"

        case "吉林省" | "黑龙江省":

            x_matched = "黑吉"

        case "上海市":

            x_matched = "上海"

        case "江苏省":

            x_matched = "江苏"

        case "浙江省":

            x_matched = "浙江"

        case "安徽省":

            x_matched = "安徽"

        case "福建省":

            x_matched = "福建"

        case "江西省":

            x_matched = "江西"

        case "山东省":

            x_matched = "山东"

        case "河南省":

            x_matched = "河南"

        case "湖北省":

            x_matched = "湖北"

        case "湖南省":

            x_matched = "湖南"

        case "广东省" | "海南省":

            x_matched = "广东"

        case "广西壮族自治区":

            x_matched = "广西"

        case "重庆市" | "四川省" | "西藏自治区":

            x_matched = "四川"

        case "贵州省":

            x_matched = "贵州"

        case "云南省":

            x_matched = "云南"

        case "新疆维吾尔自治区":

            x_matched = "新疆"

        case "陕西省" | "青海省":

            x_matched = "陕西"

        case "甘肃省":

            x_matched = "甘肃"

        case "宁夏回族自治区":

            x_matched = "宁夏"

    return x_matched


# 根据机构名称匹配为大区名称
def match_region_name(x):

    x_matched = "总部"

    match x:

        case "内蒙" | "辽宁" | "黑吉":

            x_matched = "东北大区"

        case "京津" | "河北" | "山西":

            x_matched = "华北大区"

        case "安徽" | "山东" | "河南":

            x_matched = "华东大区"

        case "江苏" | "福建" | "广东":

            x_matched = "东南大区"

        case "江西" | "湖北" | "湖南":

            x_matched = "华中大区"

        case "新疆" | "陕西" | "甘肃" | "宁夏":

            x_matched = "西北大区"

        case "广西" | "四川" | "云南" | "贵州":

            x_matched = "西南大区"

        case "上海":

            x_matched = "上海"

        case "浙江":

            x_matched = "浙江"

    return x_matched


"""
统计方案：

1、读取当年往月对账单数据，包括对账期、商家编号、保单编号和对账金额，文件名为reconciliations.csv

    1.1 根据对账期和保单编号分组，就对账金额求和，其中对账期、对账金额之和重命名为考核周期、消费规模

2、读取当年当月保单扣减数据，包括扣减期、商家编号、保单编号和扣减金额，文件名为reconciliations_month.csv

    2.1 根据扣减期和保单编号分组，就扣减金额求和，其中扣减期、扣减金额之和重命名为考核周期、消费规模

3、合并1.1和2.1，即当年往月和当年当月考核周期、保单编号和消费规模

4、读取徐丹老师提供的保单机构分配数据，包括保单编号、落地机构、落地机构分配比例、出单机构、出单机构分配比例、总部分配比例，文件名为slips.csv

    4.1 先查询3中消费规模大于0的保单编号，再和4中保单编号比较、就不在4中的保单编号提供徐丹老师，由其补录保单机构分配方案。补录后重复4.1至无需再提供徐丹老师 -->过程表

5、就机构拆解保单消费规模，根据考核周期、机构分组，就消费规模求和

    5.1 根据机构名称匹配大区名称
    
    5.2 读取当年机构消费目标数据，包括考核周期、机构名称和消费目标，根据考核周期和机构名称匹配消费目标
    
    5.3 就算达成率（消费规模/消费目标）-->基表

6、透视基表，生成各机构在当年各月消费目标、消费规模和转化率，当年消费目标、消费规模和转化率，并汇总
"""

print("正在生成直付理赔周报...", end="")

# 当年往月对账单数据（维度为对账期-商家编号-保单编号）
reconciliations = open_csv(file_name="reconciliations.csv")

# 删除保单编号为空的行（若保单编号为空则对账金额必定为空，若对账金额为空则保单编号必定为空）
reconciliations.dropna(subset=["保单编号"], inplace=True)

# 数据类型转换
for variable_label in reconciliations.columns:

    match variable_label:

        case "对账金额":

            # 不可能出现缺失值，无需填补缺失值

            reconciliations[variable_label] = reconciliations[variable_label].astype(
                "float"
            )

# 按照对账期和保单编号分组，就对账金额求和，重置索引，修改列名
reconciliations = (
    reconciliations.groupby(by=["对账期", "保单编号"])
    .agg(对账金额=("对账金额", "sum"))
    .reset_index()
    .rename(columns={"对账期": "考核周期", "对账金额": "消费规模"})
)

# 当年当月保单扣减数据（维度为扣减期-商家编号-保单编号）
reconciliations_month = open_csv(file_name="reconciliations_month.csv")

# 数据类型转换
for variable_label in reconciliations_month.columns:

    match variable_label:

        case "扣减金额":

            # 不可能出现缺失值，无需填补缺失值

            reconciliations_month[variable_label] = reconciliations_month[
                variable_label
            ].astype("float")

# 按照扣减期和保单编号分组，就扣减金额求和，重置索引，修改列名
reconciliations_month = (
    reconciliations_month.groupby(by=["扣减期", "保单编号"])
    .agg(扣减金额=("扣减金额", "sum"))
    .reset_index()
    .rename(columns={"扣减期": "考核周期", "扣减金额": "消费规模"})
)

# 合并上述当年往月对账单数据和当年当月保单扣减数据
reconciliations = pandas.concat(
    objs=[reconciliations, reconciliations_month], ignore_index=True
)

# 徐丹老师提供的保单机构分配数据
slips = open_csv(file_name="slips.csv")

# 数据类型转换
for variable_label in slips.columns:

    match variable_label:

        # 不可能出现缺失值，无需填补缺失值

        case "落地机构分配比例" | "出单机构分配比例" | "总部分配比例":

            slips[variable_label] = slips[variable_label].astype("int")

# 过程表
process_table = reconciliations.merge(right=slips, on="保单编号", how="left")

# 统计消费规模大于0且出单机构分配比例为空的保单机构分配数据
process_table.loc[
    (process_table["消费规模"] > 0) & (process_table["出单机构分配比例"].isna()),
    "异常标签",
] = "无分配方案"

if process_table.loc[process_table["异常标签"] == "无分配方案"].shape[0] > 0:

    print("存在未分配机构的保单，请提请徐丹老师补录")
    print()

    save_as_workbook(
        worksheets=[("异常保单", process_table)],
        workbook_name="普康健康_需补录保单机构分配方案.xlsx",
    )

    exit()

# 新增总部
slips.insert(loc=slips.shape[1] - 1, column="总部", value="总部")

# 先就落地机构、出单机构和总部新增机构名称列，落地机构分配比例、出单机构分配比例和总部分配比例新增分配比例列，再拆分为行
slips = (
    slips.assign(
        # 整合机构
        机构名称=slips.apply(
            lambda x: [x["落地机构"], x["出单机构"], x["总部"]], axis="columns"
        ),
        # 整合分配比例
        分配比例=slips.apply(
            lambda x: [x["落地机构分配比例"], x["出单机构分配比例"], x["总部分配比例"]],
            axis="columns",
        ),
    )
    # 拆分机构名称和分配比例并重置索引
    .explode(["机构名称", "分配比例"]).reset_index(drop=True)
)

# 保留分配比例大于0的保单机构分配数据
slips = slips.loc[slips["分配比例"] > 0, ["保单编号", "机构名称", "分配比例"]]

# 根据机构所在省份匹配为机构名称
slips["机构名称"] = slips["机构名称"].apply(lambda x: match_institution_name(x))

# 根据机构名称匹配为大区名称并插入至第二列
slips.insert(
    loc=slips.shape[1] - 2,
    column="大区名称",
    value=slips["机构名称"].apply(lambda x: match_region_name(x)),
)

# 左拼接保单机构分配数据（分配比例不可能出现缺失值，无需填补缺失值）
process_table = process_table.merge(right=slips, on="保单编号", how="left")

# 分配后消费规模
process_table["分配后消费规模"] = process_table.apply(
    lambda x: x["消费规模"] * x["分配比例"] / 100, axis="columns"
)

# 按照考核周期和机构名称分组，就分配后消费规模求和
process_table = (
    process_table.groupby(by=["考核周期", "机构名称"])
    .agg(大区名称=("大区名称", "first"), 分配后消费规模=("分配后消费规模", "sum"))
    .reset_index()
)

# 机构考核周期消费目标数据（维度为对机构名称-考核周期）
targets = open_csv(file_name="targets.csv")

# 数据类型转换
for variable_label in targets.columns:

    match variable_label:

        case "消费目标":

            # 消费目标不可能出现缺失值，无需填补缺失值

            targets[variable_label] = targets[variable_label].astype("float")

process_table = process_table.merge(
    right=targets, on=["机构名称", "考核周期"], how="left"
)

# 根据过程表透视（第一级行索引为大区名称，第二级行索引为机构名称，第一级列索引为考核周期，列索引值为分配后消费规模和消费目标，行和列汇总）
pivot_table = process_table.pivot_table(
    index=["大区名称", "机构名称"],
    columns="考核周期",
    values=[
        "分配后消费规模",
        "消费目标",
    ],  # 注意：若设置一个列索引和多个列索引值PANDAS将自动创建多级列索引，第一级列索引为VALUES，第二季列索引为COLUMNS
    aggfunc="sum",
    margins=True,
    margins_name="汇总",
)

# 添加大区汇总
for region_name in pivot_table.index.get_level_values("大区名称").unique():

    if region_name not in ["上海", "浙江", "总部", "汇总"]:

        # 汇总大区数据（就各机构的考核周期分配后消费规模和消费目标分别求和）
        region_summary = pivot_table.loc[region_name].sum()  # SERIES对象

        region_summary = pandas.DataFrame(
            data=[region_summary],  # SERIES列表
            # 创建多级行索引
            index=pandas.MultiIndex.from_tuples(
                tuples=[(region_name, "汇总")], names=["大区名称", "机构名称"]
            ),
            columns=region_summary.index,
        )

        pivot_table = pandas.concat(objs=[pivot_table, region_summary])

# 计算各考核周期和汇总达成率
for period in pivot_table.columns.get_level_values("考核周期").unique():

    pivot_table[("达成率", period)] = pivot_table.apply(
        lambda x: (
            x[("分配后消费规模", period)] / x[("消费目标", period)]
            if x[("消费目标", period)] != 0
            else 0
        ),
        axis="columns",
    )

# 交换列索引层级，再就列索引排序
pivot_table = pivot_table.swaplevel(axis="columns").sort_index(axis="columns")

# 大区名称排序
regions_orders = [
    "东北大区",
    "华北大区",
    "华东大区",
    "华中大区",
    "东南大区",
    "西北大区",
    "西南大区",
    "上海",
    "浙江",
    "总部",
    "汇总",
]

# 大区名称和排序映射器
region_mapper = {
    region_name: region_index for region_index, region_name in enumerate(regions_orders)
}

# 根据大区名称映射排序
regions_mapped = [
    region_mapper.get(region_name)
    for region_name in pivot_table.index.get_level_values("大区名称")
]

# 机构排序
institutions_orders = {
    "东北大区": ["汇总", "内蒙", "辽宁", "黑吉"],
    "华北大区": ["汇总", "京津", "河北", "山西"],
    "华东大区": ["汇总", "安徽", "山东", "河南"],
    "华中大区": ["汇总", "江西", "湖北", "湖南"],
    "东南大区": ["汇总", "江苏", "福建", "广东"],
    "西北大区": ["汇总", "新疆", "陕西", "甘肃", "宁夏"],
    "西南大区": ["汇总", "广西", "四川", "云南", "贵州"],
    "上海": ["上海"],
    "浙江": ["浙江"],
    "总部": ["总部"],
    "汇总": [""],
}

# 机构名称和排序映射器
institution_mapper = {}

institution_mapper.update(
    {
        (region_name, institution_name): institution_index
        for region_name, institution_names in institutions_orders.items()
        for institution_index, institution_name in enumerate(institution_names)
    }
)

# 根据机构名称映射排序
institutions_mapped = [
    institution_mapper.get((region, institution))
    for region, institution in zip(
        pivot_table.index.get_level_values("大区名称"),
        pivot_table.index.get_level_values("机构名称"),
    )
]

# 根据大区名称映射排序和机构名称映射排序多重排序
pivot_table = pivot_table.iloc[
    numpy.lexsort((institutions_mapped, regions_mapped))
].reset_index()

save_as_workbook(
    worksheets=[("sheet1", pivot_table)], workbook_name="普康健康_机构周报.xlsx"
)

print("生成成功")