"""Garde-fou de non-régression pour l'équilibrage du corpus (voir
`training_data.py`'s propre commentaire de tête) : un textcat entraîné sur
des classes très inégales en nombre d'exemples est une source réelle de
classifications confiantes mais fausses sur une phrase jamais vue (constaté
en pratique — voir l'historique Git de ce fichier). Chaque technique doit
avoir *au moins* 20 `utterances` par locale, et — pour rester vraiment
équilibré plutôt que juste "assez" — le même nombre pour les deux locales
d'une même technique."""

from intent_service.training_data import TECH_STEP_TRAINING_DATA

_MIN_UTTERANCES_PER_LOCALE = 20


def test_every_technique_has_at_least_the_minimum_utterances_per_locale():
    short = [
        (entry.uid, locale, len(getattr(entry, locale).utterances))
        for entry in TECH_STEP_TRAINING_DATA
        for locale in ("fr", "en")
        if len(getattr(entry, locale).utterances) < _MIN_UTTERANCES_PER_LOCALE
    ]
    assert short == [], (
        f"{len(short)} (uid, locale) pair(s) below the {_MIN_UTTERANCES_PER_LOCALE}-utterance "
        f"floor — run augment_utterances.py: {short}"
    )


def test_every_technique_has_the_same_utterance_count_in_both_locales():
    # Not just "both above the floor" — a technique whose fr/en counts drift
    # apart re-introduces the same per-class imbalance this test file exists
    # to catch, just between locales of the same technique instead of across
    # techniques.
    mismatched = [
        (entry.uid, len(entry.fr.utterances), len(entry.en.utterances))
        for entry in TECH_STEP_TRAINING_DATA
        if len(entry.fr.utterances) != len(entry.en.utterances)
    ]
    assert mismatched == [], f"fr/en utterance count mismatch: {mismatched}"