#!/usr/bin/env python3
"""
Calcule des statistiques (distance moyenne/mediane au plus proche voisin, bbox)
a partir d'un echantillon de points XYZ (fichier ASCII exporte par CloudCompare).

Usage:
    python3 stats_helper.py --input sample.xyz

Sortie: un objet JSON unique sur stdout.
"""
import argparse
import json
import sys

import numpy as np
from scipy.spatial import cKDTree


def main() -> int:
    parser = argparse.ArgumentParser()
    parser.add_argument("--input", required=True, help="Fichier ASCII XYZ (espace separe)")
    args = parser.parse_args()

    try:
        pts = np.loadtxt(args.input, dtype=np.float64, usecols=(0, 1, 2))
    except Exception as exc:  # fichier vide, format inattendu, etc.
        print(json.dumps({"error": f"lecture impossible: {exc}"}))
        return 1

    if pts.ndim == 1:
        # une seule ligne -> un seul point
        pts = pts.reshape(1, -1)

    count = int(pts.shape[0])
    if count < 2:
        print(json.dumps({"error": f"pas assez de points dans l'echantillon ({count})"}))
        return 1

    bbox = {
        "xmin": float(np.min(pts[:, 0])),
        "xmax": float(np.max(pts[:, 0])),
        "ymin": float(np.min(pts[:, 1])),
        "ymax": float(np.max(pts[:, 1])),
        "zmin": float(np.min(pts[:, 2])),
        "zmax": float(np.max(pts[:, 2])),
    }
    # Percentiles bas de Z : contrairement a zmin (sensible a un unique point aberrant, ex. bruit
    # multi-echo), un percentile est un estimateur robuste du plan de reference et n'est PAS biaise
    # par le sous-echantillonnage (la distribution marginale de Z ne depend pas de la densite de
    # points, au contraire de la distance au plus proche voisin). Voir CONCEPT.md §7.7.
    z_p01 = float(np.percentile(pts[:, 2], 0.1))
    z_p1 = float(np.percentile(pts[:, 2], 1.0))

    tree = cKDTree(pts)
    # k=2 : le plus proche voisin de chaque point est le point lui-meme (distance 0),
    # le 2e plus proche est le vrai plus proche voisin.
    dists, _ = tree.query(pts, k=2, workers=-1)
    nn_dist = dists[:, 1]
    nn_dist = nn_dist[np.isfinite(nn_dist) & (nn_dist > 0)]

    if nn_dist.size == 0:
        print(json.dumps({"error": "distances au plus proche voisin toutes nulles/invalides (points dupliques ?)"}))
        return 1

    result = {
        "count": count,
        "mean_nn": float(np.mean(nn_dist)),
        "median_nn": float(np.median(nn_dist)),
        "std_nn": float(np.std(nn_dist)),
        "bbox": bbox,
        "z_p01": z_p01,
        "z_p1": z_p1,
        "approximate": True,
    }
    print(json.dumps(result))
    return 0


if __name__ == "__main__":
    sys.exit(main())