# -*- coding: utf-8 -*-
import os
import pandas as pd
import io

def load_and_profile_data(file_paths: list) -> str:
    """
    加载数据并生成数据画像
    
    Args:
        file_paths: 文件路径列表
        
    Returns:
        包含数据画像的Markdown字符串
    """
    profile_summary = "# 数据画像报告 (Data Profile)\n\n"
    
    if not file_paths:
        return profile_summary + "未提供数据文件。"
        
    for file_path in file_paths:
        file_name = os.path.basename(file_path)
        profile_summary += f"## 文件: {file_name}\n\n"
        
        if not os.path.exists(file_path):
            profile_summary += f"⚠️ 文件不存在: {file_path}\n\n"
            continue
            
        try:
            # 根据扩展名选择加载方式
            ext = os.path.splitext(file_path)[1].lower()
            if ext == '.csv':
                # 尝试多种编码
                try:
                    df = pd.read_csv(file_path, encoding='utf-8')
                except UnicodeDecodeError:
                    try:
                        df = pd.read_csv(file_path, encoding='gbk')
                    except Exception:
                        df = pd.read_csv(file_path, encoding='latin1')
            elif ext in ['.xlsx', '.xls']:
                df = pd.read_excel(file_path)
            else:
                profile_summary += f"⚠️ 不支持的文件格式: {ext}\n\n"
                continue
                
            # 基础信息
            rows, cols = df.shape
            profile_summary += f"- **维度**: {rows} 行 x {cols} 列\n"
            profile_summary += f"- **列名**: `{', '.join(df.columns)}`\n\n"
            
            profile_summary += "### 列详细分布:\n"
            
            # 遍历分析每列
            for col in df.columns:
                dtype = df[col].dtype
                null_count = df[col].isnull().sum()
                null_ratio = (null_count / rows) * 100
                
                profile_summary += f"#### {col} ({dtype})\n"
                if null_count > 0:
                    profile_summary += f"- ⚠️ 空值: {null_count} ({null_ratio:.1f}%)\n"
                
                # 数值列分析
                if pd.api.types.is_numeric_dtype(dtype):
                    desc = df[col].describe()
                    profile_summary += f"- 统计: Min={desc['min']:.2f}, Max={desc['max']:.2f}, Mean={desc['mean']:.2f}\n"
                
                # 文本/分类列分析
                elif pd.api.types.is_object_dtype(dtype) or pd.api.types.is_categorical_dtype(dtype):
                    unique_count = df[col].nunique()
                    profile_summary += f"- 唯一值数量: {unique_count}\n"
                    
                    # 如果唯一值较少（<50）或者看起来是分类数据，显示Top分布
                    # 这对识别“高频问题”至关重要
                    if unique_count > 0:
                        top_n = df[col].value_counts().head(5)
                        top_items_str = ", ".join([f"{k}({v})" for k, v in top_n.items()])
                        profile_summary += f"- **TOP 5 高频值**: {top_items_str}\n"
                        
                # 时间列分析
                elif pd.api.types.is_datetime64_any_dtype(dtype):
                    profile_summary += f"- 范围: {df[col].min()} 至 {df[col].max()}\n"
                
                profile_summary += "\n"
                
        except Exception as e:
            profile_summary += f"❌ 读取或分析文件失败: {str(e)}\n\n"
            
    return profile_summary