# -*- coding: utf-8 -*-
"""
depouiller_pretest.py — MOD Focus marketing avancé / Expérimentation (2026-2027)

Le pré-test répond à UNE question : la manipulation est-elle perçue ?
Porté en pandas depuis « pre-test AV3.Rmd » (dépouillement des stimuli d'une étude 2×2) et
« AV3 process.Rmd » (t.test(MC ~ condition)). Trente personnes hors cible suffisent : on ne
teste pas l'hypothèse, on teste le stimulus.

Entrée : un CSV avec une ligne par répondant et au moins les colonnes
         flow (A/B), les items du MC (mc1, mc2…), attention.
         Si vous partez de l'export brut de collect.php, passez d'abord par
         analyse_campagne.charger_events() qui produit ce format.

Décision :
  - MC significatif dans le sens attendu -> stimuli validés, on lance.
  - MC non significatif                  -> on corrige la CRÉA (la différence est-elle visible ?
                                            unique ? assez forte ?), pas l'hypothèse. On re-pré-teste.
  - attention check raté par > 20 %      -> la différence n'est même pas vue : trop discrète.
"""
import math
import pandas as pd
from scipy import stats

FICHIER = "exemple_pretest.csv"
MC_ITEMS = ["mc1", "mc2"]
ATTENTION_OK = {"A": "acte", "B": "abonnement"}     # la bonne réponse attendue par condition
SENS_ATTENDU = "B > A"                              # ce que prédit votre manipulation sur le MC

df = pd.read_csv(FICHIER)
for c in MC_ITEMS:
    df[c] = pd.to_numeric(df[c], errors="coerce")
df["MC"] = df[MC_ITEMS].mean(axis=1)

print("Répondants : %d (A = %d, B = %d)" % (len(df), (df.flow == "A").sum(), (df.flow == "B").sum()))

# 1. Attention check : la différence a-t-elle été VUE ?
if "attention" in df.columns:
    df["attention_ok"] = df.apply(lambda r: r["attention"] == ATTENTION_OK.get(r["flow"]), axis=1)
    taux = df.groupby("flow")["attention_ok"].mean() * 100
    print("\nAttention check réussi : A = %.0f %%, B = %.0f %%" % (taux.get("A", float("nan")), taux.get("B", float("nan"))))
    if (100 - taux).max() > 20:
        print("  ! Plus de 20 %% d'échec dans une condition : la différence est trop discrète ou la page trop longue.")

# 2. Moyennes item par item (comme le script AV3 triait les plats) — repère l'item qui ne marche pas
print("\nMoyennes par item et par condition :")
print(df.groupby("flow")[MC_ITEMS + ["MC"]].agg(["mean", "std"]).round(2).to_string())

# 3. Le test : Welch sur le score MC
a = df.loc[df.flow == "A", "MC"].dropna()
b = df.loc[df.flow == "B", "MC"].dropna()
t, p = stats.ttest_ind(a, b, equal_var=False)
va, vb = a.var(ddof=1) / len(a), b.var(ddof=1) / len(b)
ddl = (va + vb) ** 2 / (va ** 2 / (len(a) - 1) + vb ** 2 / (len(b) - 1))
sp = math.sqrt(((len(a) - 1) * a.var(ddof=1) + (len(b) - 1) * b.var(ddof=1)) / (len(a) + len(b) - 2))
d = (a.mean() - b.mean()) / sp if sp else float("nan")
print("\nMC : A M = %.2f (SD = %.2f, n = %d) | B M = %.2f (SD = %.2f, n = %d)"
      % (a.mean(), a.std(ddof=1), len(a), b.mean(), b.std(ddof=1), len(b)))
print("t(%.1f) = %.2f, %s, d = %.2f" % (ddl, t, ("p < .001" if p < 0.001 else "p = %.3f" % p), d))

bon_sens = (b.mean() > a.mean()) if SENS_ATTENDU == "B > A" else (a.mean() > b.mean())
if p < 0.05 and bon_sens:
    print("\n-> Manipulation perçue dans le sens attendu : stimuli validés. Lancez la campagne avec CES créas, sans les retoucher.")
elif p < 0.05:
    print("\n-> Manipulation perçue… dans le sens INVERSE : relisez votre MC (échelle inversée ?) ou votre créa.")
else:
    print("\n-> Manipulation NON perçue : on corrige la créa (différence plus visible, plus forte, unique), pas l'hypothèse."
          " Nouveau pré-test avant tout lancement — « si le pré-test n'est pas satisfaisant, vous avez collecté pour rien ».")