"""Четыре метода классификации одних и тех же данных — плотности населения стран.

Для каждого метода печатаем границы классов, число стран в классе
и GADF — меру «качества» классификации (0…1, чем ближе к 1, тем лучше
внутри классов собраны похожие значения).
"""
from pathlib import Path

import geopandas as gpd
import mapclassify

DATA = Path(__file__).resolve().parents[2] / "data"
world = gpd.read_file(DATA / "countries.geojson")
world = world[world["iso_a3"] != "ATA"]
y = world["pop_density"]  # чел./км²

print(f"Стран: {len(y)}; минимум {y.min():.2f}, медиана {y.median():.1f}, "
      f"среднее {y.mean():.1f}, максимум {y.max():.0f} чел./км²\n")

k = 5
methods = {
    "Равные интервалы": mapclassify.EqualInterval(y, k=k),
    "Квантили": mapclassify.Quantiles(y, k=k),
    "Естественные границы (Дженкс)": mapclassify.FisherJenks(y, k=k),
    "Стандартное отклонение": mapclassify.StdMean(y),  # границы: среднее ± 1 и 2 σ
}

for name, c in methods.items():
    # нижняя граница класса = верхняя граница предыдущего; у первого — минимум данных
    first = f"{y.min():.1f}" if c.bins[0] >= y.min() else "−∞"
    lows = [first] + [f"{b:.1f}" for b in c.bins[:-1]]
    print(f"{name}   GADF = {c.get_gadf():.2f}")
    for lo, hi, n in zip(lows, c.bins, c.counts):
        bar = "█" * (n // 4)
        print(f"   {lo:>8} – {hi:7.1f}   {n:3d} стран  {bar}")
    print()

print("У стандартного отклонения два пустых класса: среднее − σ < 0,")
print("а отрицательной плотности не бывает. Метод рассчитан на симметричные данные.\n")

# Самые «плотные» страны — те самые выбросы, которые растягивают равные интервалы
top = world.nlargest(5, "pop_density")[["name_ru", "pop_density"]]
print("Пять самых густонаселённых стран:")
print(top.to_string(index=False, header=False))
