"""Feature engineering constants for the Howzer risk scorer."""

FEATURE_DIM = 120

# 27 GoEmotions labels (no neutral in pipeline, but we include it for completeness)
EMOTION_LABELS: list[str] = [
    "admiration", "amusement", "anger", "annoyance", "approval",
    "caring", "confusion", "curiosity", "desire", "disappointment",
    "disapproval", "disgust", "embarrassment", "excitement", "fear",
    "grief", "joy", "love", "nervousness", "optimism",
    "pride", "realization", "relief", "remorse", "sadness",
    "surprise", "neutral",
]

# 30 root cause categories (from MASTER_PROMPT spec)
ROOT_CAUSE_CATEGORIES: list[str] = [
    "pannenhilfe_wartezeit", "pannenhilfe_reparatur",
    "pannenhilfe_abschleppen", "pannenhilfe_service",
    "versicherung_kosten", "versicherung_schadenabwicklung",
    "versicherung_leistung", "versicherung_kuendigung",
    "mitgliedschaft_kuendigung", "mitgliedschaft_beitrag",
    "mitgliedschaft_leistung", "mitgliedschaft_service",
    "kundenservice_wartezeit", "kundenservice_kompetenz",
    "kundenservice_erreichbarkeit", "kundenservice_freundlichkeit",
    "spritpreis_politik", "beitragserhoehung",
    "positive_pannenhilfe", "positive_service",
    "positive_versicherung", "positive_allgemein",
    "reiseruecktritt", "ausland_service",
    "rechtsberatung", "werkstatt_partner",
    "mietwagen", "digitale_services",
    "andere", "unbekannt",
]

# Mapping from benchmark/DB root cause IDs to our canonical categories
ROOT_CAUSE_ID_MAP: dict[str, str] = {
    # Benchmark English IDs → canonical
    "technical_issues": "andere",
    "customer_service": "kundenservice_kompetenz",
    "pricing_billing": "versicherung_kosten",
    "product_quality": "andere",
    "product_functionality": "andere",
    "delivery_shipping": "andere",
    "returns_refunds": "andere",
    "installation_setup": "andere",
    "account_access": "andere",
    "performance_latency": "andere",
    "packaging_handling": "andere",
    "security_safety": "andere",
    "policy_terms": "andere",
    "product_fit_sizing": "andere",
    # DB German labels → canonical
    "Kundenservice & Support (Reaktionsfähigkeit, Wissen, Einstellung)": "kundenservice_kompetenz",
    "Preisgestaltung & Abrechnung (Gebühren, Wert, Kosten)": "versicherung_kosten",
    "Technische Probleme (Abstürze, Fehler, Konnektivität)": "andere",
    "Produktqualität (Mängel, Haltbarkeit, Materialien)": "andere",
    "Produktfunktionalität (Funktionen, Leistung, Kompatibilität)": "andere",
    "Lieferung & Versand (Verzögerungen, Fehlende Artikel, Falscher Artikel)": "andere",
    "Rücksendungen & Erstattungen (Prozess, Berechtigung, Geschwindigkeit)": "andere",
    "Installation & Einrichtung (Montage, Konfiguration)": "andere",
    "Konto & Zugang (Login, Authentifizierung)": "andere",
    "Leistung & Latenz (Langsam, Timeouts)": "andere",
    "Verpackung & Handhabung (Schaden, Schutz)": "andere",
    "Sicherheit & Schutz (Physische Sicherheit, Datensicherheit)": "andere",
    "Richtlinien & Bedingungen (Garantien, Verträge)": "andere",
    "Produktpassform & Größe (Kleidung, Abmessungen, Passform)": "andere",
    "Wartezeit_Pannenhilfe": "pannenhilfe_wartezeit",
    "Wartezeit_Hotline": "kundenservice_wartezeit",
    "Kuendigung_Drohung": "mitgliedschaft_kuendigung",
    "Service_Qualitaet": "kundenservice_kompetenz",
    "Rechnungsfehler": "versicherung_kosten",
    "App_Performance": "digitale_services",
}

CHANNELS: list[str] = [
    "email", "phone", "app", "web", "letter",
    "social", "survey", "chat", "unknown",
]

TIER_NAMES: list[str] = ["low", "medium", "high", "critical"]

TIER_THRESHOLDS: dict[str, float] = {
    "critical": 0.88,
    "high": 0.72,
    "medium": 0.38,
}

# Membership tier numeric mapping
MEMBERSHIP_TIER_MAP: dict[str, float] = {
    "basic": 0.33,
    "plus": 0.66,
    "premium": 1.0,
    "unknown": 0.33,
}

# Urgency mapping
URGENCY_MAP: dict[str, float] = {
    "low": 0.0,
    "normal": 0.25,
    "high": 0.75,
    "critical": 1.0,
}

# Feature group index ranges
FEAT_SENTIMENT = (0, 4)      # 4 features
FEAT_EMOTION = (4, 31)       # 27 features
FEAT_ROOT_CAUSE = (31, 66)   # 35 features (5 scores + 30 one-hot)
FEAT_HISTORY = (66, 76)      # 10 features
FEAT_CHANNEL = (76, 85)      # 9 features
FEAT_TEXT_META = (85, 91)     # 6 features
FEAT_DERIVED = (91, 120)     # 29 features