#!/usr/bin/env python3
"""Ф0.4 детектор №2, ШАГ 3 — МОЩНОСТЬ парного QE на классе «инверсия полярности».

Что осталось неотвеченным после шага 2. На XL парная Δ вышла положительной по медиане в обоих
классах (+0.981 и +1.147) с направлением 4/6 и 5/6. Соблазн прочитать это как «на сравнении версий
ранкер работает» — но n=6, и знаковый тест при 5/6 даёт односторонний p≈0.11. Клейм НЕ УСТАНОВЛЕН,
и объявлять его установленным на шести точках — ровно тот антипаттерн, который эксп-19 уже допустил
однажды (правило «диапазоны не пересекаются» при n=3, отозвано адверсариальным ревью).

Почему вопрос стоит того, чтобы добрать мощность. Он разводит два РАЗНЫХ применения ранкера:
  арм C  ищет дефект в ОДНОМ тексте, образца для сравнения нет ⇒ нужен АБСОЛЮТНЫЙ порог.
         Шаг 2 показал, что порога нет: на обеих моделях лучшая precision ≤0.17.
  арм G  сравнивает ДВЕ версии одного сегмента (guarded APE, «принимать правку, только если
         внешний гейт видит улучшение») ⇒ нужна ПАРНАЯ дельта, и только она.
Если парная дельта состоятельна, арм G питаем, а арм C — нет. Это не оттенок, а разная судьба двух
армов фазы 2б, поэтому вопрос решается замером, а не осторожной формулировкой.

Как добирается n. Ручных посадок больше не станет — их делала другая сессия под другую задачу.
Зато ИНВЕРСИЯ ПОЛЯРНОСТИ порождается механически и остаётся тем же классом дефекта: снятие или
вставка отрицания при глаголе меняет смысл на противоположный, сохраняя грамматичность. По 81
здоровому сегменту строится столько пар, сколько найдётся глаголов, и каждая судится парно.

⚠ ГРАНИЦА, объявленная заранее: механическая инверсия ЛЕГЧЕ ручной посадки. Голое «не» — сильный
поверхностный сигнал, а посадки пробы 18 меняли смысл переписыванием оборота («не выдержат» →
«легко выдержат»). Поэтому результат читается как ВЕРХНЯЯ ГРАНИЦА парного режима: если ранкер
не берёт даже это, вопрос закрыт отрицательно; если берёт — это ещё не значит, что возьмёт тонкую
инверсию, и ручные 6 точек остаются единственной оценкой на реальном классе.

Запуск (офлайн, $0):
  ~/.venvs/tm-qe/bin/python eval/role_topology/qe_power.py            # large
  METRICX_MODEL=google/metricx-24-hybrid-XL-v2p6 METRICX_TOKENIZER=google/mt5-xl \
      ~/.venvs/tm-qe/bin/python eval/role_topology/qe_power.py        # XL
"""
from __future__ import annotations
import json
import os
import statistics
import sys
from pathlib import Path

REPO = Path("/home/ubuntu/projects/textmachine")
sys.path.insert(0, str(REPO / "eval" / "role_topology"))
sys.path.insert(0, str(REPO / "eval" / "bank_arbitration"))
sys.path.insert(0, str(REPO / "eval" / "editor_contract"))
sys.path.insert(0, str(REPO / "eval" / "exp16"))

import pymorphy3                                            # noqa: E402
from align import align, flip_polarity, split_ru, split_zh   # noqa: E402
from qe_bench import QE, MODEL                              # noqa: E402

_MORPH = pymorphy3.MorphAnalyzer()
OUT = Path.home() / "books" / "role-topology"


def sign_test_p(successes: int, n: int) -> float:
    """Односторонний p знакового теста при H0: направление случайно (q=0.5).

    Считается точно через биномиальные коэффициенты — scipy тут не нужен, а зависимость лишняя.
    """
    from math import comb                                   # noqa: PLC0415
    return sum(comb(n, k) for k in range(successes, n + 1)) / (2 ** n)


def main() -> None:
    import editor_wire_probe as P                           # noqa: PLC0415
    from inject_probe import pick_windows                   # noqa: PLC0415

    qe = QE()
    pairs_scored: list[dict] = []
    for k, (_, src, _) in enumerate(pick_windows()):
        clean = P.draft_of(k)
        zs, rs = split_zh(src), split_ru(clean)
        for si, di in align(zs, rs):
            if not si or not di:
                continue
            s = " ".join(zs[i] for i in si)
            d = " ".join(rs[i] for i in di)
            bad = flip_polarity(d)
            if not bad or bad == d:
                continue
            base = qe.score(s, d)
            pairs_scored.append(dict(window=k, base=base, flipped=qe.score(s, bad),
                                     seg_len=len(d)))

    n = len(pairs_scored)
    if not n:
        print("инверсий не построено — проверить flip_polarity")
        return
    deltas = [r["flipped"] - r["base"] for r in pairs_scored]
    pos = sum(1 for x in deltas if x > 0)
    print(f"МОЩНОСТЬ ПАРНОГО QE на инверсии полярности — модель {MODEL}")
    print(f"пар построено: {n} (из 81 здорового сегмента шести окон)\n")
    print(f"медиана Δ            {statistics.median(deltas):+.3f}")
    print(f"среднее Δ            {statistics.mean(deltas):+.3f}")
    print(f"направление          {pos}/{n} = {pos / n:.0%}")
    print(f"знаковый тест        p = {sign_test_p(pos, n):.5f} (односторонний)")
    print(f"Δ > 1.0              {sum(1 for x in deltas if x > 1.0)}/{n}")
    print(f"Δ < 0 (ранкер счёл инверсию ЛУЧШЕ)  {sum(1 for x in deltas if x < 0)}/{n}")

    # Операционный вопрос арма G: с каким порогом на ПАРНУЮ дельту он принимал бы решение и
    # сколько здоровых правок при этом отверг бы. Ложная тревога здесь = отказ от хорошей правки.
    print(f"\n{'порог Δ':>9s}{'поймано инверсий':>19s}{'доля':>8s}")
    print("-" * 36)
    for thr in (0.0, 0.25, 0.5, 1.0, 2.0):
        got = sum(1 for x in deltas if x > thr)
        print(f"{thr:9.2f}{got:19d}{got / n:8.0%}")

    (OUT / f"qe-power-{'xl' if 'XL' in MODEL else 'large'}.json").write_text(
        json.dumps(pairs_scored, ensure_ascii=False), encoding="utf-8")
    print("\nЧитать: это ВЕРХНЯЯ граница парного режима (механическая инверсия проще ручной).\n"
          "Отрицательный исход закрывает вопрос; положительный — открывает только арм G, не арм C.")


if __name__ == "__main__":
    os.environ.setdefault("PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION", "python")
    main()