import pandas as pd
import numpy as np
from scipy import signal

# === 1. 字段定义 ===
# 空地信号：12通道 (左4, 前4, 右4)
GEARWOW_COLS = (
    [f'GEARWOWL_{i}' for i in range(1, 5)] + 
    [f'GEARWOWN_{i}' for i in range(1, 5)] + 
    [f'GEARWOWR_{i}' for i in range(1, 5)]
)

# 横向加速度：16通道 (16Hz)
ACCLAT_COLS = [f'ACCLAT_{i}' for i in range(1, 17)]

# 滚转角：4通道 (4Hz) - 假设数据源已按4Hz对齐或插值，此处定义为4列
ROLL_COLS = [f'ROLL_{i}' for i in range(1, 5)]

# === 2. 数据加载与清洗 ===
df = pd.DataFrame()
all_cols = GEARWOW_COLS + ACCLAT_COLS + ROLL_COLS

# 模拟获取数据 (实际环境中 getList 函数由平台提供)
for col in all_cols:
    df[col] = getList(col)

# 清洗无效值
df = df.replace([None, '', 'NA', 'null', 'NaN'], pd.NA)

# 数值型转换
df[ACCLAT_COLS + ROLL_COLS] = df[ACCLAT_COLS + ROLL_COLS].apply(pd.to_numeric, errors='coerce')

# 空地状态标准化 (假设原始数据可能是 'AIR'/'GND' 或 0/1，统一转为布尔值：True=Ground)
# 这里假设原始数据是字符串 'GND'/'AIR'，如果是数字 1/0 请调整逻辑
for gw_col in GEARWOW_COLS:
    df[gw_col] = df[gw_col].astype(str).str.strip().str.upper()
    
# 只要有一个轮子接地，即为 Ground 状态
df['IS_GROUND'] = df[GEARWOW_COLS].eq('GND').any(axis=1)

# 后向填充防止瞬时丢点影响状态判断
df = df.fillna(method='bfill')

# === 3. 设置参数 ===
FREQ_ACCLAT = 16.0  # 横向加速度频率
FREQ_ROLL = 4.0     # 滚转角频率
WINDOW_SEC = 5.0    # 监控窗口：落地后5秒

# 阈值定义 (基于历史最小故障案例：0.228g, 1.4deg)
# 设定略低于历史极值以覆盖边界情况
THRESH_LAT_HIGH = 0.25  # 高风险阈值
THRESH_LAT_LOW = 0.20   # 低风险阈值 (覆盖 0.228)
THRESH_ROLL_HIGH = 2.0  # 高风险阈值
THRESH_ROLL_LOW = 1.3   # 低风险阈值 (覆盖 1.4)

# === 4. 核心逻辑：检测 Air -> Ground 转换点 ===
# 计算前一行的地面状态
df['PREV_IS_GROUND'] = df['IS_GROUND'].shift(1).fillna(False)

# 找到从 False (Air) 变为 True (Ground) 的索引位置
transition_indices = df.index[(~df['PREV_IS_GROUND']) & (df['IS_GROUND'])].tolist()

max_status = 0  # 默认无风险

# === 5. 遍历每个着陆事件进行窗口分析 ===
for idx in transition_indices:
    # 确定窗口范围 [当前行, 当前行 + 5秒]
    # 由于不同参数频率不同，我们按行数计算
    # ACCLAT 是 16Hz, 5秒 = 80行
    # ROLL 是 4Hz, 5秒 = 20行 (但在DataFrame中通常行号是同步的时间轴，假设DataFrame是最高频16Hz对齐的)
    # 如果DataFrame是16Hz基准，ROLL列会有重复值或插值，直接切片即可
    
    start_row = idx
    end_row = idx + int(WINDOW_SEC * FREQ_ACCLAT)  # 按16Hz计算行数偏移
    
    if end_row > len(df):
        end_row = len(df)
    
    window_df = df.iloc[start_row:end_row]
    
    if window_df.empty:
        continue

    # --- 计算窗口内最大绝对横向加速度 (16通道取最大) ---
    # 展平窗口内所有ACCLAT列的数据，取绝对值最大值
    lat_values = window_df[ACCLAT_COLS].values.flatten()
    lat_values = lat_values[~np.isnan(lat_values)] # 去除NaN
    if len(lat_values) == 0:
        max_abs_lat = 0
    else:
        max_abs_lat = np.max(np.abs(lat_values))

    # --- 计算窗口内最大绝对滚转角 (4通道取最大) ---
    # 注意：如果DF是16Hz，ROLL列可能每4行重复一次，或者包含NaN，需清洗
    roll_values = window_df[ROLL_COLS].values.flatten()
    roll_values = roll_values[~np.isnan(roll_values)]
    if len(roll_values) == 0:
        max_abs_roll = 0
    else:
        max_abs_roll = np.max(np.abs(roll_values))

    # --- 判决逻辑 ---
    current_status = 0
    
    # 必须同时满足横向和滚转条件 (AND逻辑)
    if max_abs_lat >= THRESH_LAT_LOW and max_abs_roll >= THRESH_ROLL_LOW:
        if max_abs_lat >= THRESH_LAT_HIGH and max_abs_roll >= THRESH_ROLL_HIGH:
            current_status = 10  # 高风险：类似大角度侧风或严重错位前兆
        else:
            current_status = 5   # 中风险：覆盖历史最小故障案例 (0.228g, 1.4deg)
    
    # 更新全局最高状态
    if current_status > max_status:
        max_status = current_status

# === 6. 输出结果 ===
# 最终输出：仅一个整数 (0=正常, 5=关注, 10=警告)
print(int(max_status))