# Author: Lee Wu Love Lele
# Datetime: 2024/12/8 12:58
from config import DATETIME_FORMAT
from datetime import datetime
from scipy.signal import savgol_filter
import numpy as np
from config import STABILITY_THRESHOLD
import pandas as pd


def smooth_data(data, window_length=5, polyorder=3):
    """
    平滑数据降噪，使用Savitzky-Golay滤波
    * 通过算法（Savitzky-Golay滤波），将短期波动平滑化，突出重量变化的主要趋势，从而更接近牛的真实体重曲线。
    * 在牛走上或走下地磅时，体重数据会从小到大（走上）或从大到小（走下）发生变化。平滑处理可以让“从小到大”或“从大到小”的趋势更加清晰，便于后续算法找到牛完整通过地磅的时间段。
    * 如果直接对噪声较大的数据进行分析（如提取最大值、计算均值等），可能需要大量的异常值处理或复杂的算法来排除干扰。
    * 平滑数据可以简化后续计算过程，使得分析模型更加高效。
    * 牛在地磅上可能出现诸如抬腿、摇晃等小幅动作，这些动作会导致短时间内体重数据发生波动。平滑能够消除这些短时间的小波动，使得体重数据更加稳定。
    * 平滑可以让真正的异常值（如多头牛站上地磅）更加显著，便于识别。例如：没有平滑时，普通波动和异常值可能混淆在一起。平滑后，正常数据的波动范围变小，异常值更加容易识别。
    :param data:
    :param window_length: int
    :param polyorder: int
    :return:
    """

    """
    window_length
    * 含义：
	* 表示滑动窗口的长度，即在每次滤波计算中使用的点的数量。
	* 它必须是一个正奇数，如 3、5、7 等，因为 Savitzky-Golay 滤波需要确保窗口中心有一个对称点。
	* 作用：
	* 窗口越大：
	* 数据被平滑得越明显，但可能会导致细节丢失。
	* 更适合处理噪声较多但关注长期趋势的情况。
	* 窗口越小：
	* 保留更多的细节，但对噪声的抑制效果较差。
	* 更适合处理数据变化较快且噪声较少的情况。

	polyorder
	* 含义：
	* 表示拟合多项式的阶数，用于滑动窗口内的数据拟合。
	* 它必须小于 window_length，因为阶数不能超过拟合点的数量（否则拟合就无意义）。
	* 作用：
	* 多项式阶数越高：
	* 滤波器拟合数据的能力更强，可以保留更多复杂的细节，但同时可能引入噪声（过拟合）。
	* 更适合处理具有快速变化趋势的数据。
	* 多项式阶数越低：
	* 滤波器更倾向于平滑数据，减少噪声，但可能会忽略一些数据细节。
	* 更适合处理平稳的数据或去除高频噪声。
    """
    print(f'window_len: {window_length}, polyorder: {polyorder}')
    smoothed_data = savgol_filter(data, window_length=window_length, polyorder=polyorder)
    return smoothed_data


def calc_one_cattle(data):
    print('data: ', data)
    # print('data len: ', len(data))
    # 计算变化率
    rate_of_change = np.abs(np.diff(data))  # 一阶差分后的绝对值，比data长度少1
    print('np.diff: ', np.diff(data))
    # print('np.diff len: ', len(np.diff(data)))
    print('rate_of_change: ', rate_of_change)
    # print('rate_of_change len: ', len(rate_of_change))
    # 设置阈值，识别稳定时间段
    stability_threshold = STABILITY_THRESHOLD  # 变化率小于此值视为稳定
    stable_indices = np.where(rate_of_change < stability_threshold)[0]
    print('stable_indices: ', stable_indices)
    # 找到稳定时间段的体重中值
    stable_weights = [data[i] for i in stable_indices]
    print('stable_weights: ', stable_weights)
    stable_median_weight = np.median(stable_weights)  # TODO:这里取了所有稳定值的中位数，这里包含了异常稳定值形成干扰，如何识别这些异常？
    print('stable_median_weight: ', stable_median_weight)
    return stable_median_weight