ShopTRAINING/server/utils/multi_store_data_utils.py

"""
多店铺销售预测系统 - 数据处理工具函数
支持多店铺数据的加载、过滤和处理
"""

import pandas as pd
import numpy as np
import os
from datetime import datetime, timedelta
from typing import Optional, List, Tuple, Dict, Any

def load_multi_store_data(file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet',
                         store_id: Optional[str] = None,
                         product_id: Optional[str] = None,
                         start_date: Optional[str] = None,
                         end_date: Optional[str] = None) -> pd.DataFrame:
    """
    加载多店铺销售数据，支持按店铺、产品、时间范围过滤
    
    参数:
    file_path: 数据文件路径 (支持 .csv, .xlsx, .parquet)
    store_id: 店铺ID，为None时返回所有店铺数据
    product_id: 产品ID，为None时返回所有产品数据
    start_date: 开始日期 (YYYY-MM-DD)
    end_date: 结束日期 (YYYY-MM-DD)
    
    返回:
    DataFrame: 过滤后的销售数据
    """
    
    # 尝试多个可能的文件路径
    # 获取当前脚本所在的目录
    current_dir = os.path.dirname(os.path.abspath(__file__))
    # 假设项目根目录是 server/utils 的上两级目录
    project_root = os.path.abspath(os.path.join(current_dir, '..', '..'))
    
    possible_paths = [
        file_path, # 相对路径 (如果从根目录运行)
        os.path.join(project_root, file_path), # 基于项目根目录的绝对路径
        os.path.join('..', file_path), # 相对路径 (如果从 server 目录运行)
        os.path.join('server', file_path) # 相对路径 (如果从根目录运行，但路径错误)
    ]
    
    df = None
    loaded_path = None
    for path in possible_paths:
        try:
            if not os.path.exists(path):
                continue

            if path.endswith('.csv'):
                df = pd.read_csv(path)
            elif path.endswith('.xlsx'):
                df = pd.read_excel(path)
            elif path.endswith('.parquet'):
                df = pd.read_parquet(path)
            
            if df is not None:
                loaded_path = path
                print(f"成功加载数据文件: {loaded_path}")
                break
        except Exception as e:
            print(f"加载文件 {path} 失败: {e}")
            continue
    
    if df is None:
        raise FileNotFoundError(f"无法找到或加载数据文件，尝试的路径: {possible_paths}")
    
    # 按店铺过滤
    if store_id:
        df = df[df['store_id'] == store_id].copy()
        print(f"按店铺过滤: {store_id}, 剩余记录数: {len(df)}")
    
    # 按产品过滤
    if product_id:
        df = df[df['product_id'] == product_id].copy()
        print(f"按产品过滤: {product_id}, 剩余记录数: {len(df)}")
    
    # 标准化列名和数据类型
    df = standardize_column_names(df)

    # 在标准化之后进行时间范围过滤
    if start_date:
        try:
            start_date_dt = pd.to_datetime(start_date)
            # 确保比较是在datetime对象之间
            if 'date' in df.columns:
                df = df[df['date'] >= start_date_dt].copy()
                print(f"开始日期过滤: {start_date_dt}, 剩余记录数: {len(df)}")
        except (ValueError, TypeError):
            print(f"警告: 无效的开始日期格式 '{start_date}'，已忽略。")

    if end_date:
        try:
            end_date_dt = pd.to_datetime(end_date)
            # 确保比较是在datetime对象之间
            if 'date' in df.columns:
                df = df[df['date'] <= end_date_dt].copy()
                print(f"结束日期过滤: {end_date_dt}, 剩余记录数: {len(df)}")
        except (ValueError, TypeError):
            print(f"警告: 无效的结束日期格式 '{end_date}'，已忽略。")
    
    if len(df) == 0:
        print("警告: 过滤后没有数据")
    
    return df

def standardize_column_names(df: pd.DataFrame) -> pd.DataFrame:
    """
    标准化列名以匹配训练代码和API期望的格式
    
    参数:
    df: 原始DataFrame
    
    返回:
    DataFrame: 标准化列名后的DataFrame
    """
    df = df.copy()
    
    # 定义列名映射并强制重命名
    rename_map = {
        'sales_quantity': 'sales',  # 修复：匹配原始列名
        'temperature_2m_mean': 'temperature', # 新增：处理温度列
        'dayofweek': 'weekday' # 修复：匹配原始列名
    }
    df.rename(columns={k: v for k, v in rename_map.items() if k in df.columns}, inplace=True)
    
    # 确保date列是datetime类型
    if 'date' in df.columns:
        df['date'] = pd.to_datetime(df['date'], errors='coerce')
        df.dropna(subset=['date'], inplace=True) # 移除无法解析的日期行
    else:
        # 如果没有date列，无法继续，返回空DataFrame
        return pd.DataFrame()

    # 计算 sales_amount
    # 由于没有price列，sales_amount的计算逻辑需要调整或移除
    # 这里我们注释掉它，因为原始数据中已有sales_amount
    # if 'sales_amount' not in df.columns and 'sales' in df.columns and 'price' in df.columns:
    #     # 先确保sales和price是数字
    #     df['sales'] = pd.to_numeric(df['sales'], errors='coerce')
    #     df['price'] = pd.to_numeric(df['price'], errors='coerce')
    #     df['sales_amount'] = df['sales'] * df['price']

    # 创建缺失的特征列
    if 'weekday' not in df.columns:
        df['weekday'] = df['date'].dt.dayofweek
    
    if 'month' not in df.columns:
        df['month'] = df['date'].dt.month
    
    # 添加缺失的元数据列
    meta_columns = {
        'store_name': 'Unknown Store',
        'store_location': 'Unknown Location',
        'store_type': 'Unknown',
        'product_name': 'Unknown Product',
        'product_category': 'Unknown Category'
    }
    for col, default in meta_columns.items():
        if col not in df.columns:
            df[col] = default

    # 添加缺失的布尔特征列
    default_features = {
        'is_holiday': False,
        'is_weekend': None,
        'is_promotion': False,
        'temperature': 20.0
    }
    
    for feature, default_value in default_features.items():
        if feature not in df.columns:
            if feature == 'is_weekend':
                df['is_weekend'] = df['weekday'].isin([5, 6])
            else:
                df[feature] = default_value
    
    # 确保数值类型正确
    numeric_columns = ['sales', 'sales_amount', 'weekday', 'month', 'temperature']
    for col in numeric_columns:
        if col in df.columns:
            df[col] = pd.to_numeric(df[col], errors='coerce')
    
    # 确保布尔类型正确
    boolean_columns = ['is_holiday', 'is_weekend', 'is_promotion']
    for col in boolean_columns:
        if col in df.columns:
            df[col] = df[col].astype(bool)
    
    print(f"数据标准化完成，可用特征列: {[col for col in ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature'] if col in df.columns]}")
    
    return df

def get_available_stores(file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet') -> List[Dict[str, Any]]:
    """
    获取可用的店铺列表
    
    参数:
    file_path: 数据文件路径
    
    返回:
    List[Dict]: 店铺信息列表
    """
    try:
        df = load_multi_store_data(file_path)
        
        if 'store_id' not in df.columns:
            print("数据文件中缺少 'store_id' 列")
            return []

        # 智能地获取店铺信息，即使某些列缺失
        store_info = []
        
        # 使用drop_duplicates获取唯一的店铺组合
        stores_df = df.drop_duplicates(subset=['store_id'])

        for _, row in stores_df.iterrows():
            store_info.append({
                'store_id': row['store_id'],
                'store_name': row.get('store_name', f"店铺 {row['store_id']}"),
                'location': row.get('store_location', '未知位置'),
                'type': row.get('store_type', '标准'),
                'opening_date': row.get('opening_date', '未知'),
            })
            
        return store_info
    except Exception as e:
        print(f"获取店铺列表失败: {e}")
        return []

def get_available_products(file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet',
                         store_id: Optional[str] = None) -> List[Dict[str, Any]]:
    """
    获取可用的产品列表
    
    参数:
    file_path: 数据文件路径
    store_id: 店铺ID，为None时返回所有产品
    
    返回:
    List[Dict]: 产品信息列表
    """
    try:
        df = load_multi_store_data(file_path, store_id=store_id)
        
        # 获取唯一产品信息
        product_columns = ['product_id', 'product_name']
        if 'product_category' in df.columns:
            product_columns.append('product_category')
        if 'unit_price' in df.columns:
            product_columns.append('unit_price')
        
        products = df[product_columns].drop_duplicates()
        
        return products.to_dict('records')
    except Exception as e:
        print(f"获取产品列表失败: {e}")
        return []

def get_store_product_sales_data(store_id: str,
                               product_id: str,
                               file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet') -> pd.DataFrame:
    """
    获取特定店铺和产品的销售数据，用于模型训练
    
    参数:
    file_path: 数据文件路径
    store_id: 店铺ID
    product_id: 产品ID
    
    返回:
    DataFrame: 处理后的销售数据，包含模型需要的特征
    """
    # 加载数据
    df = load_multi_store_data(file_path, store_id=store_id, product_id=product_id)
    
    if len(df) == 0:
        raise ValueError(f"没有找到店铺 {store_id} 产品 {product_id} 的销售数据")
    
    # 确保数据按日期排序
    df = df.sort_values('date').copy()
    
    # 数据标准化已在load_multi_store_data中完成
    # 验证必要的列是否存在
    required_columns = ['sales', 'price', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
    missing_columns = [col for col in required_columns if col not in df.columns]
    
    if missing_columns:
        print(f"警告: 数据标准化后仍缺少列 {missing_columns}")
        raise ValueError(f"无法获取完整的特征数据，缺少列: {missing_columns}")
    
    # 定义模型训练所需的所有列（特征 + 目标）
    final_columns = [
        'date', 'sales', 'product_id', 'product_name', 'store_id', 'store_name',
        'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature'
    ]
    
    # 筛选出DataFrame中实际存在的列
    existing_columns = [col for col in final_columns if col in df.columns]
    
    # 返回只包含这些必需列的DataFrame
    return df[existing_columns]

def aggregate_multi_store_data(product_id: Optional[str] = None,
                              store_id: Optional[str] = None,
                              aggregation_method: str = 'sum',
                              file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet') -> pd.DataFrame:
    """
    聚合销售数据，可按产品（全局）或按店铺（所有产品）
    
    参数:
    file_path: 数据文件路径
    product_id: 产品ID (用于全局模型)
    store_id: 店铺ID (用于店铺聚合模型)
    aggregation_method: 聚合方法 ('sum', 'mean', 'median')
    
    返回:
    DataFrame: 聚合后的销售数据
    """
    # 根据是全局聚合、店铺聚合还是真正全局聚合来加载数据
    if store_id:
        # 店铺聚合：加载该店铺的所有数据
        df = load_multi_store_data(file_path, store_id=store_id)
        if len(df) == 0:
            raise ValueError(f"没有找到店铺 {store_id} 的销售数据")
        grouping_entity = f"店铺 {store_id}"
    elif product_id:
        # 按产品聚合：加载该产品在所有店铺的数据
        df = load_multi_store_data(file_path, product_id=product_id)
        if len(df) == 0:
            raise ValueError(f"没有找到产品 {product_id} 的销售数据")
        grouping_entity = f"产品 {product_id}"
    else:
        # 真正全局聚合：加载所有数据
        df = load_multi_store_data(file_path)
        if len(df) == 0:
            raise ValueError("数据文件为空，无法进行全局聚合")
        grouping_entity = "所有产品"
    
    # 按日期聚合（使用标准化后的列名）
    agg_dict = {}
    if aggregation_method == 'sum':
        agg_dict = {
            'sales': 'sum',           # 标准化后的销量列
            'sales_amount': 'sum',
            'price': 'mean'           # 标准化后的价格列，取平均值
        }
    elif aggregation_method == 'mean':
        agg_dict = {
            'sales': 'mean',
            'sales_amount': 'mean',
            'price': 'mean'
        }
    elif aggregation_method == 'median':
        agg_dict = {
            'sales': 'median',
            'sales_amount': 'median',
            'price': 'median'
        }
    
    # 确保列名存在
    available_cols = df.columns.tolist()
    agg_dict = {k: v for k, v in agg_dict.items() if k in available_cols}
    
    # 聚合数据
    aggregated_df = df.groupby('date').agg(agg_dict).reset_index()
    
    # 获取产品信息（取第一个店铺的信息）
    product_info = df[['product_id', 'product_name', 'product_category']].iloc[0]
    for col, val in product_info.items():
        aggregated_df[col] = val
    
    # 添加店铺信息标识为全局
    aggregated_df['store_id'] = 'GLOBAL'
    aggregated_df['store_name'] = f'全部店铺-{aggregation_method.upper()}'
    aggregated_df['store_location'] = '全局聚合'
    aggregated_df['store_type'] = 'global'
    
    # 对聚合后的数据进行标准化（添加缺失的特征列）
    aggregated_df = aggregated_df.sort_values('date').copy()
    aggregated_df = standardize_column_names(aggregated_df)
    
    # 定义模型训练所需的所有列（特征 + 目标）
    final_columns = [
        'date', 'sales', 'product_id', 'product_name', 'store_id', 'store_name',
        'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature'
    ]
    
    # 筛选出DataFrame中实际存在的列
    existing_columns = [col for col in final_columns if col in aggregated_df.columns]
    
    # 返回只包含这些必需列的DataFrame
    return aggregated_df[existing_columns]

def get_sales_statistics(file_path: str = 'data/timeseries_training_data_sample_10s50p.parquet',
                        store_id: Optional[str] = None,
                        product_id: Optional[str] = None) -> Dict[str, Any]:
    """
    获取销售数据统计信息
    
    参数:
    file_path: 数据文件路径
    store_id: 店铺ID
    product_id: 产品ID
    
    返回:
    Dict: 统计信息
    """
    try:
        df = load_multi_store_data(file_path, store_id=store_id, product_id=product_id)
        
        if len(df) == 0:
            return {'error': '没有数据'}
        
        stats = {
            'total_records': len(df),
            'date_range': {
                'start': df['date'].min().strftime('%Y-%m-%d'),
                'end': df['date'].max().strftime('%Y-%m-%d')
            },
            'stores': df['store_id'].nunique(),
            'products': df['product_id'].nunique(),
            'total_sales_amount': float(df['sales_amount'].sum()) if 'sales_amount' in df.columns else 0,
            'total_quantity': int(df['quantity_sold'].sum()) if 'quantity_sold' in df.columns else 0,
            'avg_daily_sales': float(df.groupby('date')['quantity_sold'].sum().mean()) if 'quantity_sold' in df.columns else 0
        }
        
        return stats
        
    except Exception as e:
        return {'error': str(e)}

# 向后兼容的函数
def load_data(file_path='pharmacy_sales.xlsx', store_id=None):
    """
    向后兼容的数据加载函数
    """
    return load_multi_store_data(file_path, store_id=store_id)