import pandas as pd
import json
import re
from pathlib import Path

# --- Data Loading ---
try:
    print("Loading data for CustomerDataHandler module...")
    PROJECT_ROOT = Path(__file__).resolve().parent.parent.parent # หา Path ของ Root Directory
    DATA_PATH = PROJECT_ROOT / "data"
    CONFIG_PATH = PROJECT_ROOT / "config"

    # customer df
    CUSTOMER_DF = pd.read_csv(DATA_PATH / "mock_customer_data.csv")
    COLUMN_MAP_DF = pd.read_csv(DATA_PATH / "column_mapping.csv")
    COLUMN_MAP_DICT = pd.Series(COLUMN_MAP_DF.Description.values, index=COLUMN_MAP_DF.Field_name).to_dict() # dict mapping
    
    # persona json
    # ABSOLUTE_PATH_TO_CONFIG = '/Users/jts-ai-sumana/rabbitlife_gemini/config/personas.json'
        # with open(ABSOLUTE_PATH_TO_CONFIG, "r", encoding="utf-8") as f:
    with open(CONFIG_PATH / "personas.json", "r", encoding="utf-8") as f:
        PERSONAS = json.load(f)
    print("✅ Customer data, mapping, and personas loaded successfully.")
    
except Exception as e:
    print(f"‼️ ERROR: Could not load data/config files for CustomerDataHandler: {e}")
    CUSTOMER_DF = pd.DataFrame()
    COLUMN_MAP_DICT = {}
    PERSONAS = {}

# map ชื่อ: ประเภท
PLAN_NAME_TO_TYPE_MAP = {
    "Smart Term Bronze 5": "ประกันคุ้มครองชีวิต", "Smart Term Bronze 10": "ประกันคุ้มครองชีวิต",
    "Chai Leoy 99/20": "ประกันคุ้มครองชีวิต", "Chai Leoy 99/10": "ประกันคุ้มครองชีวิต",
    "Chai Leoy 99/5": "ประกันคุ้มครองชีวิต", "High Protect 3/3": "ประกันคุ้มครองชีวิต",
    "Smart Wellness 90/15": "ประกันคุ้มครองชีวิต", "Save 5 C": "ประกันคุ้มครองชีวิต",
    "Sabai Jai 14/5": "ประกันเพื่อการลงทุน", "Jai Jai 25/9": "ประกันเพื่อการลงทุน",
    "Protection Plus 18/9": "ประกันเพื่อการลงทุน", "Jai Jai 12/6": "ประกันเพื่อการลงทุน",
    "Jai Jai 15/6": "ประกันเพื่อการลงทุน",
    "Health Protect (สัญญาเพิ่มเติมสุขภาพค่ารักษาพยาบาล)": "ประกันสุขภาพ", "Health Smile": "ประกันสุขภาพ",
    "Worry Free Cancer (สัญญาเพิ่มเติมคุ้มครองโรคมะเร็ง)": "ประกันสุขภาพ", "Worry Free 50 Critical Illness": "ประกันสุขภาพ",
    "Rider HIB 365 (สัญญาเพิ่มเติมสุขภาพค่าชดเชยรายวัน)": "ประกันสุขภาพ",
    "PA Max (สัญญาเพิ่มเติมสุขภาพค่ารักษาผู้ป่วยนอก)": "ประกันสุขภาพ", "PA Prompt (สัญญาเพิ่มเติมสุขภาพค่ารักษาผู้ป่วยนอก)": "ประกันสุขภาพ",
    "สัญญาเพิ่มเติมยกเว้นเบี้ยประกันภัย": "ประกันสุขภาพ", "OPD": "ประกันสุขภาพ", "Mental Health": "ประกันสุขภาพ",
    "PA Max (อุบัติเหตุส่วนบุคคล)": "ประกันอุบัติเหตุ", "PA Prompt (อุบัติเหตุส่วนบุคคล)": "ประกันอุบัติเหตุ",
    "Rider ADD (สัญญาเพิ่มเติมอุบัติเหตุ)": "ประกันอุบัติเหตุ", "Rider AI (สัญญาเพิ่มเติมอุบัติเหตุ)": "ประกันอุบัติเหตุ",
    "Rider ADB (สัญญาเพิ่มเติมอุบัติเหตุ)": "ประกันอุบัติเหตุ",
    "PA Max (สัญญาเพิ่มเติมสุขภาพค่ารักษาเนื่องจากอุบัติเหตุ)": "ประกันอุบัติเหตุ", "PA Prompt (สัญญาเพิ่มเติมสุขภาพค่ารักษาเนื่องจากอุบัติเหตุ)": "ประกันอุบัติเหตุ",
    "Rider ADB and ADD(สัญญาเพิ่มเติมอุบัติเหตุ)": "ประกันอุบัติเหตุ"
}


# --- Utilize Fuctions ---

def clean_name(name):
    if not isinstance(name, str): return ""
    return re.sub(r'\s*\(.*\)\s*', '', name).strip()


def find_customer_data(identifier: str) -> pd.DataFrame | None:
    """
    return df
    """
    if CUSTOMER_DF.empty: 
        return None

    identifier = str(identifier).strip()
    
    # ลองค้นหาด้วยเลขบัตรประชาชนก่อน
    numeric_identifier = re.sub(r'\D', '', identifier)
    if len(numeric_identifier) == 13:
        result_df = CUSTOMER_DF[CUSTOMER_DF['insured_id_number'] == int(numeric_identifier)]
        if not result_df.empty: 
            return result_df

    # ถ้าไม่เจอ ลองค้นหาด้วยชื่อ-นามสกุล
    name_parts = identifier.split()
    if len(name_parts) >= 2:
        firstname, lastname = name_parts[0], " ".join(name_parts[1:])
        result_df = CUSTOMER_DF[(CUSTOMER_DF['insured_firstname'] == firstname) & (CUSTOMER_DF['insured_lastname'] == lastname)]
        if not result_df.empty: 
            return result_df
            
    return None


def translate_and_format_data(customer_df: pd.DataFrame) -> str:
    """
    เลือกคอลัมน์ที่ต้องการ --> แปลชื่อคอลัมน์เป็นภาษาไทย --> และแปลงเป็น JSON string
    """
    columns_to_show = [
        'policy_no', 'policy_plan_name', 'plan_type', 'total_premium', 'policy_status',
        'policy_effective_date', 'premium_duedate', 'policy_maturity_date', 'sum_insured_first'
    ]
    existing_columns = [col for col in columns_to_show if col in customer_df.columns]
    df_to_format = customer_df[existing_columns].copy()
    df_to_format.rename(columns=COLUMN_MAP_DICT, inplace=True)
    return df_to_format.to_json(orient='records', force_ascii=False, indent=2)


def find_recommendation_gaps(customer_df: pd.DataFrame) -> list:
    """
    วิเคราะห์ข้อมูลกรมธรรม์ของลูกค้าเพื่อหาผลิตภัณฑ์ที่น่าแนะนำเพิ่มเติม (Gap Analysis)
    โดยพิจารณาจาก Age และ Salary
    """
    # print("[Gap Analysis] Starting analysis for existing customer...")
    if customer_df.empty or not PERSONAS:
        return []

    try:
        customer_info = customer_df.iloc[0]
        age = customer_info.get('insured_age_latest')
        gender = str(customer_info.get('insured_gender', '')).upper()
        salary = customer_info.get('insured_salary', 0)

        if age is None or not gender:
            # print("[Gap Analysis] Missing age or gender. Cannot perform analysis.")
            return []
        
        # print(f"[Gap Analysis] Analyzing profile: Age={age}, Gender='{gender}', Salary={salary}")
        
        # หา Persona
        matched_persona = next((details for _, details in PERSONAS.items() if details.get("age_min", -1) <= age <= details.get("age_max", -1)), None)
        if not matched_persona:
            return []
            
        # หา Tier จากเงินเดือน
        products_from_tier = []
        salary_tiers = matched_persona.get('recommendations_by_salary', [])
        for tier in salary_tiers:
            if tier.get("salary_min", 0) <= salary <= tier.get("salary_max", float('inf')):
                products_from_tier = tier.get("products", [])
                break
        
        if not products_from_tier and salary_tiers:
             products_from_tier = salary_tiers[0].get("products", [])

        # ดึงลิสต์ผลิตภัณฑ์ที่ ideal จาก Tier และ เพศ
        ideal_products = [p for p in products_from_tier if p.get('gender') == 'all' or p.get('gender') == gender]
        
        # ดึงลิสต์ผลิตภัณฑ์ที่ "มีอยู่แล้ว" และทำความสะอาดชื่อ
        existing_products_raw = set(customer_df['policy_plan_name'].unique())
        existing_products_names = {clean_name(name) for name in existing_products_raw}
        
        # หา Gaps
        gaps = []
        for ideal_product in ideal_products:
            ideal_product_name_clean = clean_name(ideal_product.get('product_name', ''))
            if ideal_product_name_clean not in existing_products_names:
                gaps.append(ideal_product)
        
        gaps.sort(key=lambda x: ('Rider' not in x.get('product_category', '')), reverse=False)
        
        # print(f"[Gap Analysis] Found {len(gaps)} potential products to recommend.")
        return gaps

    except Exception as e:
        print(f"‼️ ERROR during Gap Analysis: {e}")
        import traceback
        traceback.print_exc()
        return []


def generate_upsell_text_from_gaps(gaps: list) -> str:
    """สร้างประโยค Upsell สั้นๆ จาก Gap ที่หาเจอ"""
    if gaps:
        main_recommendation = gaps[0]
        return (f"\n\nจากข้อมูลความคุ้มครองปัจจุบัน สังเกตว่าแผนประกันของท่านจะครอบคลุมยิ่งขึ้น "
                f"หากมีสัญญาเพิ่มเติม **{main_recommendation['product_name']}** "
                f"ซึ่งจะช่วยดูแลในเรื่อง{main_recommendation.get('product_description', 'ความคุ้มครองเพิ่มเติม')}ค่ะ"
                f"\n\nสนใจรับข้อมูลเพิ่มเติมเกี่ยวกับแผนนี้ไหมคะ")
    return ""