g360-cli 1.7.1 → 1.9.0

package/py/src/g360_core/commercial_engine.py

@@ -0,0 +1,305 @@
+"""
+Commercial Engine - Motor de lógica de negocio para clasificación documental.
+
+Responsabilidades:
+    classify_base: Clasificación primaria (VENTA/DEVOLUCION/AJUSTE)
+    parse_referencia: Descomposición de REFERENCIA en tipo/serie/numero
+    build_invoice_index: Índice de facturas para cruce de referencias
+    resolve_document_relationships: Asignación de SUBTIPO_AJUSTE
+    calculate_prices: PRECIO_BASE, RECARGO_UNITARIO, PRECIO_EFECTIVO
+
+Principio: toda regla de negocio vive aquí, no en processor.py ni pipeline.py.
+"""
+
+import re
+import pandas as pd
+import numpy as np
+
+from .utils import NC_PREFIXES, ND_PREFIXES
+from .logger import get_logger
+
+log = get_logger("commercial_engine")
+
+# ─── Constantes de clasificación ──────────────────────────────────────────────
+
+CAT_VENTA = "VENTA"
+CAT_DEVOLUCION = "DEVOLUCION"
+CAT_AJUSTE = "AJUSTE"
+
+SUBTIPO_PRECIO_LINEA = "PRECIO_LINEA"
+SUBTIPO_PRECIO_PARCIAL = "PRECIO_PARCIAL"
+SUBTIPO_CARGO_FIJO = "CARGO_FIJO"
+SUBTIPO_SIN_BASE = "SIN_BASE"
+
+REF_PATTERN = re.compile(r"^([A-Z0-9]+)/(\d+)-(\d+)$")
+
+
+# ─── Helpers internos ─────────────────────────────────────────────────────────
+
+def _find_fae_col(df: pd.DataFrame) -> str:
+    """Encuentra la columna CANTIDAD FAE (puede venir como CANTIDAD_FAE)."""
+    for col in df.columns:
+        norm = col.upper().replace(" ", "_").replace("-", "_")
+        if norm == "CANTIDAD_FAE":
+            return col
+    return None
+
+
+def _find_tpo_col(df: pd.DataFrame) -> str:
+    """Encuentra la columna TPO_DOC (puede venir como TIPO_DOC)."""
+    for col in df.columns:
+        if "TPO_DOC" in col or col == "TIPO_DOC":
+            return col
+    return None
+
+
+# ─── Paso 1: Parseo de REFERENCIA ────────────────────────────────────────────
+
+def parse_referencia(df: pd.DataFrame) -> pd.DataFrame:
+    """
+    Extrae REF_TIPO, REF_SERIE y REF_NUMERO del campo REFERENCIA.
+
+    Formato esperado: "F01/204-56287"
+    Para filas sin referencia, se rellena con "S/R".
+    """
+    ref_tipo = []
+    ref_serie = []
+    ref_numero = []
+
+    for val in df.get("REFERENCIA", pd.Series("", index=df.index)):
+        raw = str(val).strip().upper() if pd.notna(val) else ""
+        m = REF_PATTERN.match(raw)
+        if m:
+            ref_tipo.append(m.group(1))
+            ref_serie.append(m.group(2))
+            ref_numero.append(m.group(3))
+        else:
+            ref_tipo.append("S/R")
+            ref_serie.append("S/R")
+            ref_numero.append("S/R")
+
+    df["REF_TIPO"] = ref_tipo
+    df["REF_SERIE"] = ref_serie
+    df["REF_NUMERO"] = ref_numero
+    return df
+
+
+# ─── Paso 2: Clasificación primaria ──────────────────────────────────────────
+
+def classify_base(df: pd.DataFrame) -> pd.DataFrame:
+    """
+    Clasificación primaria basada solo en la fila actual (sin mirar otras).
+
+    CATEGORIA_OP:
+        VENTA      → Facturas, Boletas (F01, BDI, etc.)
+        DEVOLUCION → Notas de Crédito con movimiento físico (CANTIDAD != 0)
+        AJUSTE     → NC/ND sin movimiento físico (CANTIDAD == 0)
+
+    SUBTIPO_AJUSTE se inicializa vacío (se asigna en resolve_document_relationships).
+    """
+    tpo_col = _find_tpo_col(df)
+    if tpo_col is None:
+        df["CATEGORIA_OP"] = CAT_VENTA
+        df["SUBTIPO_AJUSTE"] = ""
+        return df
+
+    tpo = df[tpo_col].astype(str).str.upper().str.strip()
+    cant = pd.to_numeric(df.get("CANTIDAD", 0), errors="coerce").fillna(0)
+
+    es_venta = tpo.isin(["F01", "BDI", "F03", "B01", "B03", "F07", "F08", "B07", "B08"])
+    nc_pattern = "|".join([f"^{p}" for p in NC_PREFIXES])
+    es_nc = tpo.str.contains(nc_pattern, na=False)
+    nd_pattern = "|".join([f"^{p}" for p in ND_PREFIXES])
+    es_nd = tpo.str.contains(nd_pattern, na=False)
+
+    condiciones = [
+        es_venta,
+        es_nc & (cant != 0),
+        es_nc & (cant == 0),
+        es_nd,
+    ]
+    opciones = [
+        CAT_VENTA,
+        CAT_DEVOLUCION,
+        CAT_AJUSTE,
+        CAT_AJUSTE,
+    ]
+
+    df["CATEGORIA_OP"] = np.select(condiciones, opciones, default=CAT_AJUSTE)
+    df["SUBTIPO_AJUSTE"] = ""
+
+    return df
+
+
+# ─── Paso 3: Resolución de relaciones documentales ──────────────────────────
+
+def _normalize_doc_id(val) -> str:
+    """Normaliza ID de documento: quita '.0' de floats, espacios, mayúsculas."""
+    s = str(val).strip().upper()
+    if s.endswith(".0"):
+        s = s[:-2]
+    return s
+
+
+def build_invoice_index(df: pd.DataFrame) -> dict:
+    """
+    Construye índice de facturas para resolver referencias.
+
+    Clave: (TPO_DOC, SERIE_DOC, NRO_DOC, ID_ARTICULO)
+    Valor: dict con CANTIDAD, SOLES, CANTIDAD_FAE agregados.
+
+    Solo indexa registros VENTA.
+    Retorna dict vacío si no hay facturas en el dataset.
+    """
+    facturas = df[df["CATEGORIA_OP"] == CAT_VENTA].copy()
+    if facturas.empty:
+        return {}
+
+    for col in ["TPO_DOC", "SERIE_DOC", "NRO_DOC"]:
+        if col not in facturas.columns:
+            return {}
+
+    fae_col = _find_fae_col(facturas) or "CANTIDAD"
+    if fae_col not in facturas.columns:
+        facturas[fae_col] = 0
+
+    # Normalizar IDs de documento y armar clave
+    facturas["_IDX_TIPO"] = facturas["TPO_DOC"].astype(str).str.upper().str.strip()
+    facturas["_IDX_SERIE"] = facturas["SERIE_DOC"].apply(_normalize_doc_id)
+    facturas["_IDX_NRO"] = facturas["NRO_DOC"].apply(_normalize_doc_id)
+    facturas["_IDX_SKU"] = facturas["ID_ARTICULO"].astype(str).str.strip() if "ID_ARTICULO" in facturas.columns else ""
+
+    # Convertir a numérico
+    facturas[fae_col] = pd.to_numeric(facturas[fae_col], errors="coerce").fillna(0)
+    facturas["SOLES"] = pd.to_numeric(facturas["SOLES"], errors="coerce").fillna(0)
+    facturas["CANTIDAD"] = pd.to_numeric(facturas["CANTIDAD"], errors="coerce").fillna(0)
+
+    idx_cols = ["_IDX_TIPO", "_IDX_SERIE", "_IDX_NRO", "_IDX_SKU"]
+    agg_cols = {"CANTIDAD": "sum", "SOLES": "sum", fae_col: "sum"}
+
+    grouped = facturas.groupby(idx_cols).agg(agg_cols).to_dict("index")
+    # Limpiar columnas auxiliares
+    facturas.drop(columns=["_IDX_TIPO", "_IDX_SERIE", "_IDX_NRO", "_IDX_SKU"], inplace=True)
+    return grouped
+
+
+def resolve_document_relationships(df: pd.DataFrame) -> pd.DataFrame:
+    """
+    Resuelve referencias entre documentos.
+
+    Para registros AJUSTE, cruza REFERENCIA contra el índice de facturas
+    y asigna SUBTIPO_AJUSTE:
+        PRECIO_LINEA      → misma factura + mismo SKU + FAE = CANTIDAD
+        PRECIO_PARCIAL    → misma factura + mismo SKU + FAE < CANTIDAD
+        CARGO_FIJO        → CANTIDAD_FAE = 1 (cargo fijo, no proporcional)
+        SIN_BASE          → factura referenciada no encontrada
+    """
+    ajustes = df[df["CATEGORIA_OP"] == CAT_AJUSTE]
+    if ajustes.empty:
+        df["SUBTIPO_AJUSTE"] = ""
+        return df
+
+    for col in ["REF_TIPO", "REF_SERIE", "REF_NUMERO"]:
+        if col not in df.columns:
+            df[col] = ""
+
+    idx = build_invoice_index(df)
+    fae_col = _find_fae_col(df) or "CANTIDAD"
+
+    if not idx:
+        df.loc[df["CATEGORIA_OP"] == CAT_AJUSTE, "SUBTIPO_AJUSTE"] = SUBTIPO_SIN_BASE
+        return df
+
+    for idx_row in df[df["CATEGORIA_OP"] == CAT_AJUSTE].index:
+        ref_tipo = str(df.at[idx_row, "REF_TIPO"]).strip().upper()
+        ref_serie = str(df.at[idx_row, "REF_SERIE"]).strip()
+        ref_numero = str(df.at[idx_row, "REF_NUMERO"]).strip()
+        sku = str(df.at[idx_row, "ID_ARTICULO"]).strip() if "ID_ARTICULO" in df.columns else ""
+
+        key_con_sku = (ref_tipo, ref_serie, ref_numero, sku)
+        key_sin_sku = (ref_tipo, ref_serie, ref_numero, "")
+
+        if key_con_sku in idx:
+            factura = idx[key_con_sku]
+            cant_fae_ajuste = abs(
+                pd.to_numeric(df.at[idx_row, fae_col], errors="coerce") or 0
+            )
+            cant_factura = abs(factura.get("CANTIDAD", 0))
+
+            if cant_fae_ajuste == 0:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_CARGO_FIJO
+            elif abs(cant_fae_ajuste - cant_factura) < 0.01:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_PRECIO_LINEA
+            elif cant_fae_ajuste < cant_factura:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_PRECIO_PARCIAL
+            else:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_SIN_BASE
+        else:
+            cant_fae_val = abs(
+                pd.to_numeric(df.at[idx_row, fae_col], errors="coerce") or 0
+            )
+            if cant_fae_val == 1:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_CARGO_FIJO
+            else:
+                df.at[idx_row, "SUBTIPO_AJUSTE"] = SUBTIPO_SIN_BASE
+
+    return df
+
+
+# ─── Paso 4: Cálculo de precios ─────────────────────────────────────────────
+
+def calculate_prices(df: pd.DataFrame) -> pd.DataFrame:
+    """
+    Calcula columnas de precio:
+
+        PRECIO_BASE       → SOLES / CANTIDAD (solo cuando CANTIDAD != 0)
+        RECARGO_UNITARIO  → SOLES / abs(CANTIDAD_FAE) (solo ajustes PRECIO_LINEA)
+        PRECIO_EFECTIVO   → PRECIO_BASE + RECARGO_UNITARIO (ventas con ajuste linkeado)
+    """
+    fae_col = _find_fae_col(df)
+
+    # PRECIO_BASE: solo para movimientos físicos
+    if "CANTIDAD" in df.columns and "SOLES" in df.columns:
+        cant = pd.to_numeric(df["CANTIDAD"], errors="coerce").fillna(0)
+        soles = pd.to_numeric(df["SOLES"], errors="coerce").fillna(0)
+        mask_fisica = cant != 0
+        df["PRECIO_BASE"] = np.where(
+            mask_fisica,
+            np.round(soles.abs() / cant.abs(), 4),
+            np.nan
+        )
+    else:
+        df["PRECIO_BASE"] = np.nan
+
+    # RECARGO_UNITARIO: solo para ajustes PRECIO_LINEA o PRECIO_PARCIAL
+    if fae_col and "SOLES" in df.columns:
+        cant_fae = pd.to_numeric(df[fae_col], errors="coerce").fillna(0)
+        soles = pd.to_numeric(df["SOLES"], errors="coerce").fillna(0)
+
+        subtipo = df.get("SUBTIPO_AJUSTE", pd.Series(""))
+        es_ajuste_precio = subtipo.isin([SUBTIPO_PRECIO_LINEA, SUBTIPO_PRECIO_PARCIAL])
+        mask_recargo = es_ajuste_precio & (cant_fae != 0)
+
+        df["RECARGO_UNITARIO"] = np.where(
+            mask_recargo,
+            np.round(soles / cant_fae.abs(), 4),
+            np.nan
+        )
+    else:
+        df["RECARGO_UNITARIO"] = np.nan
+
+    # PRECIO_EFECTIVO: base + recargo
+    # Para ventas: PRECIO_EFECTIVO = PRECIO_BASE
+    # Para ajustes linkeados: no se suma directamente (se propaga a nivel de agregación)
+    if "PRECIO_BASE" in df.columns:
+        base_val = df["PRECIO_BASE"].fillna(0)
+        recargo_val = df.get("RECARGO_UNITARIO", pd.Series(0)).fillna(0)
+        df["PRECIO_EFECTIVO"] = np.where(
+            df["PRECIO_BASE"].notna(),
+            np.round(base_val + recargo_val, 4),
+            np.nan
+        )
+    else:
+        df["PRECIO_EFECTIVO"] = np.nan
+
+    return df

package/py/src/g360_core/logger.py

@@ -0,0 +1,40 @@
+"""Structured logging for G360 Insight Lens."""
+
+import logging
+import sys
+from pathlib import Path
+
+_LOG_FORMAT = "%(asctime)s | %(levelname)-7s | %(name)s | %(message)s"
+_DATE_FORMAT = "%Y-%m-%d %H:%M:%S"
+
+_configured = False
+
+
+def setup_logging(level: int = logging.INFO, log_file: str = None):
+    """Configure root logger with console + optional file handler."""
+    global _configured
+    if _configured:
+        return
+    _configured = True
+
+    root = logging.getLogger("g360")
+    root.setLevel(level)
+
+    console = logging.StreamHandler(sys.stdout)
+    console.setLevel(level)
+    console.setFormatter(logging.Formatter(_LOG_FORMAT, _DATE_FORMAT))
+    root.addHandler(console)
+
+    if log_file:
+        Path(log_file).parent.mkdir(parents=True, exist_ok=True)
+        file_handler = logging.FileHandler(log_file, encoding="utf-8")
+        file_handler.setLevel(level)
+        file_handler.setFormatter(logging.Formatter(_LOG_FORMAT, _DATE_FORMAT))
+        root.addHandler(file_handler)
+
+
+def get_logger(name: str) -> logging.Logger:
+    """Get a child logger under the 'g360' namespace."""
+    if not _configured:
+        setup_logging()
+    return logging.getLogger(f"g360.{name}")