bot-backend
d173163025
All checks were successful
CI Trade-In / changes (pull_request) Successful in 8s
CI / changes (pull_request) Successful in 8s
CI Trade-In / frontend-checks (pull_request) Has been skipped
CI / backend-tests (pull_request) Has been skipped
CI / frontend-tests (pull_request) Has been skipped
CI / openapi-codegen-check (pull_request) Has been skipped
CI Trade-In / backend-tests (pull_request) Successful in 2m44s
По ревью PR #2664. 1. test_freshness_window_is_the_estimator_constant_not_a_copy проверял `lc.LISTINGS_FRESH_DAYS is estimator.LISTINGS_FRESH_DAYS` — CPython кэширует малые int, поэтому скопированный литерал `LISTINGS_FRESH_DAYS = 14` тест бы ПРОШЁЛ, хотя докстринг обещает ловить ровно это. Прошлая фальсификация срабатывала лишь потому, что откат удалял имя целиком (AttributeError). Теперь проверяем исходник через inspect.getsource — фальсифицировано подстановкой копии литерала вместо импорта: тест краснеет. 2. Комментарий в location_index.py приписывал свежести чужую заслугу. Прод-разложение: из −14.8% сдвига городской медианы −14.7 п.п. даёт сегментный гард и лишь −0.18 п.п. свежесть. Для этой метрики свежесть — не коррекция смещения, а страховка на будущее, оплаченная третью пула (3 504 вторичных строки, из них 2 724 живые) и ростом дисперсии: на центре ЕКБ n 423 → 86, индекс гуляет по выбору окна на 12-14 п.п. Размен верный, но он должен быть написан как размен. Там же задокументирован новый режим отказа: свежесть связала витрину со здоровьем сбора — встанет скрейпинг на 14 дней, и insufficient_data прилетит всем пользователям разом. Учитывая, что #2574 это месяц молчаливой поломки сбора, сценарий не гипотетический. Окно свежести не меняю — вопрос вынесен отдельно. Refs #2660
488 lines
26 KiB
Python
488 lines
26 KiB
Python
"""Location index for trade-in estimates — replaces the broken `location_coef` (LocationDrawer).
|
||
|
||
ИСТОРИЯ / ПОЧЕМУ ПЕРЕПИСАНО:
|
||
Старый `location_coef.py` считал `coef = 0.95 + (poi_weighted_score/100) * 0.10` — диапазон
|
||
жёстко зажат в [0.95, 1.05], без какой-либо калибровки на реальных ценах. Аудит на боевой БД
|
||
(1500 адресов ЕКБ + 4000 активных лотов) показал:
|
||
- 67% адресов попадали в −1%…+1%, у ~25% coef был РОВНО 1.0 (score=50) — почти
|
||
неинформативно, весь город умещался в −4%…+5%;
|
||
- связи с ценой не было вообще: медиана ₽/м² по бакетам coef плоская и НЕ монотонна
|
||
(бакет −4% дороже бакета +3%).
|
||
Для сравнения, расстояние до центра ЕКБ на 31 тыс. лотов даёт чистый монотонный градиент
|
||
(0-2км 249 686 ₽/м² → 12-13км 93 677 ₽/м², разброс 2.7×) — сигнал в данных есть, просто
|
||
POI-score его не улавливал (POI ranking ≠ цена).
|
||
|
||
НОВЫЙ ПОКАЗАТЕЛЬ (location index):
|
||
location_index_pct = (медиана ₽/м² сопоставимых листингов в радиусе точки −
|
||
медиана ₽/м² по всему ЕКБ) / медиана по ЕКБ * 100
|
||
|
||
«Сопоставимые» = ровно тот же пул, что берёт эстиматор (#2660): активные И свежие
|
||
(scraped_at в пределах LISTINGS_FRESH_DAYS — `is_active` на проде не равно «живо») И
|
||
только вторичка (гард #1186 — девелоперский прайс новостроек завышал обе медианы).
|
||
|
||
Самообновляем (те же `listings`, что уже скрейпятся под estimator), интерпретируем напрямую
|
||
("район на N% дороже/дешевле среднего по городу"), устойчив к выбросам (percentile_cont(0.5) —
|
||
медиана самой природой игнорирует единичные экстремумы, в отличие от mean/min/max), и НЕ зажат
|
||
искусственно — если район реально на 40% дороже, так и покажет.
|
||
|
||
ЧЕСТНАЯ ДЕГРАДАЦИЯ (см. LocationIndexResult.status):
|
||
- "out_of_coverage" — точка вне гео-охвата продукта (bbox Екатеринбурга). НЕ 0%, НЕ
|
||
fallback-число — прочерк на фронте.
|
||
- "insufficient_data" — даже на максимальном радиусе выборки < MIN_SAMPLE_SIZE сопоставимых
|
||
активных листингов. Тоже прочерк, а не шум по 3 объявлениям.
|
||
- "ok" — index надёжен.
|
||
|
||
В ЦЕНУ НЕ ИДЁТ: estimator.py про этот модуль не знает и не должен знать — аналоги уже берутся
|
||
из того же района (локация учтена в базовой цене через сам подбор сопоставимых объектов),
|
||
повторное умножение на локационный индекс было бы двойным учётом одного и того же эффекта.
|
||
|
||
POI («что рядом» — школа/метро/остановка) сохранены как ОТДЕЛЬНАЯ качественная справка
|
||
(`nearby_poi`, ранжирование как раньше в location_coef.py), но больше не участвуют в числовом
|
||
показателе.
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import logging
|
||
from typing import Any
|
||
|
||
from pydantic import BaseModel
|
||
from sqlalchemy import text
|
||
|
||
# #2660: окно свежести берём ИЗ эстиматора — единственное определение в проекте.
|
||
# Дублировать значение здесь нельзя: две константы разъедутся при первой же
|
||
# перекалибровке, и витрина начнёт показывать другой пул, чем считает цена.
|
||
from app.services.estimator import LISTINGS_FRESH_DAYS
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
# ── Гео-охват продукта: только Екатеринбург ──────────────────────────────────
|
||
# Тот же bbox, что EKB_BBOX в backend/app/services/site_finder/poi_loader.py (main
|
||
# gendesign backend, Overpass-загрузчик osm_poi_ekb) и что использовался при аудите
|
||
# (1500 адресов / 4000 активных лотов / 2787 POI, все — "по Екатеринбургу"). tradein-mvp —
|
||
# отдельный деплой/venv от backend/, поэтому константа продублирована, не импортирована;
|
||
# при изменении bbox в одном месте — проверить и второе (комментарий в обе стороны).
|
||
_EKB_BBOX_SOUTH = 56.70
|
||
_EKB_BBOX_WEST = 60.50
|
||
_EKB_BBOX_NORTH = 56.95
|
||
_EKB_BBOX_EAST = 60.75
|
||
|
||
|
||
def _in_ekb_bbox(lat: float, lon: float) -> bool:
|
||
"""True если точка внутри гео-охвата продукта (Екатеринбург)."""
|
||
return _EKB_BBOX_SOUTH <= lat <= _EKB_BBOX_NORTH and _EKB_BBOX_WEST <= lon <= _EKB_BBOX_EAST
|
||
|
||
|
||
# ── Калибровочные константы (радиус / минимальная выборка) ──────────────────
|
||
#
|
||
# Плотность-прикидка для обоснования порядка величины (НЕ подтверждено живым запросом к
|
||
# прод-БД в этом изменении — см. PR description "непроверенное"): ЕКБ-аудит насчитал ~4000
|
||
# активных лотов в bbox площадью ~ 27.8км (0.25° широты) × 15.3км (0.25° долготы на широте
|
||
# 56.8°) ≈ 425 км² → плотность ~9.4 лота/км². Круг радиусом 800м имеет площадь ~2.01 км² →
|
||
# ожидаемо ~19 лотов при равномерной плотности — близко к MIN_SAMPLE_SIZE=20, т.е. стартовый
|
||
# радиус разумен для "средней" точки. Плотность в городе крайне неравномерна (центр много
|
||
# гуще окраин) — поэтому лестница радиусов расширяется, а не фиксированный радиус.
|
||
RADIUS_LADDER_M: tuple[int, ...] = (800, 1500, 2500)
|
||
|
||
# Ниже этого числа сопоставимых активных листингов медиана — шум, не показатель.
|
||
# Порог не откалиброван статистически (например через доверительный интервал медианы) —
|
||
# первая рабочая оценка для MVP. TODO: перепроверить на реальном распределении выборок по
|
||
# районам ЕКБ (см. "непроверенное" в отчёте задачи).
|
||
MIN_SAMPLE_SIZE = 20
|
||
|
||
# Санитарные (НЕ бизнес-калибровочные) границы ₽/м² — отсекают заведомо битые скрейп-строки
|
||
# (парсинг ошибся на порядок и т.п.), не сужают реальный рынок ЕКБ (там диапазон примерно
|
||
# 40-400 тыс₽/м², с большим запасом по краям).
|
||
_PRICE_PER_M2_SANITY_MIN = 20_000
|
||
_PRICE_PER_M2_SANITY_MAX = 1_000_000
|
||
|
||
DEFAULT_POI_RADIUS_M = 1200 # как в старом location_coef.py — подобран для МКД
|
||
DEFAULT_POI_TOP_N = 7
|
||
|
||
# Веса по категории POI — те же, что были в location_coef.py (ranking "что рядом",
|
||
# больше НЕ конвертируются в число, влияющее на индекс).
|
||
CATEGORY_WEIGHTS: dict[str, float] = {
|
||
"metro_stop": 6.0,
|
||
"school": 5.0,
|
||
"kindergarten": 4.5,
|
||
"hospital": 4.0,
|
||
"shop_mall": 4.0,
|
||
"shop_supermarket": 3.5,
|
||
"bus_stop": 4.5,
|
||
"park": 3.5,
|
||
"pharmacy": 2.5,
|
||
"tram_stop": 2.0,
|
||
"shop_small": 2.0,
|
||
"default": 1.0,
|
||
}
|
||
|
||
|
||
def _category_weight(category: str | None) -> float:
|
||
"""Вернуть вес категории. Если не знаем — default."""
|
||
return CATEGORY_WEIGHTS.get(category or "default", CATEGORY_WEIGHTS["default"])
|
||
|
||
|
||
class NearbyPoi(BaseModel):
|
||
"""Один пункт «что рядом» — качественная справка, НЕ участвует в location_index_pct."""
|
||
|
||
poi_type: str
|
||
name: str | None
|
||
distance_m: float
|
||
|
||
|
||
class LocationIndexResult(BaseModel):
|
||
"""Результат compute_location_index — потребляется эндпоинтом location-index."""
|
||
|
||
status: str # "ok" | "out_of_coverage" | "insufficient_data"
|
||
location_index_pct: float | None
|
||
local_median_price_per_m2: int | None
|
||
city_median_price_per_m2: int | None
|
||
sample_size: int
|
||
radius_m: int
|
||
nearby_poi: list[NearbyPoi]
|
||
poi_status: str # "ok" | "unavailable" (osm_poi_ekb_local пуста/не отрефрешена)
|
||
|
||
|
||
def _pct_deviation(local_median_ppm2: float, city_median_ppm2: float) -> float:
|
||
"""% отклонения локальной медианы от городской.
|
||
|
||
Округление до 1 знака — не создаёт ложной точности (исходные данные — шумные скрейп-цены).
|
||
"""
|
||
if city_median_ppm2 <= 0:
|
||
# Защита от деления на ноль при вырожденной городской выборке — не должно
|
||
# случаться в проде (там ~4000 активных лотов), только в пустой dev-БД.
|
||
return 0.0
|
||
return round((local_median_ppm2 - city_median_ppm2) / city_median_ppm2 * 100.0, 1)
|
||
|
||
|
||
# ── SQL: медиана ₽/м² сопоставимых активных листингов ────────────────────────
|
||
#
|
||
# percentile_cont(0.5) — тот же идиом, что уже используется в estimator.py для медианных
|
||
# ₽/м² трендов (_fetch_price_trend) — устойчив к выбросам В ОТЛИЧИЕ от AVG/min/max: единичный
|
||
# аномально дорогой/дешёвый лот не сдвигает медиану заметно.
|
||
#
|
||
# geo_precision IS DISTINCT FROM 'city' — тот же фильтр, что в estimator.py (#769 Part E):
|
||
# исключает листинги с геокодом до центра города (city-centroid fallback без номера дома),
|
||
# которые иначе "подмешивались" бы в любой радиус вокруг центра.
|
||
#
|
||
# price_per_m2 BETWEEN sanity-границы — не бизнес-калибровка, а защита от битых строк
|
||
# (см. _PRICE_PER_M2_SANITY_MIN/MAX выше).
|
||
#
|
||
# #2660 свежесть + сегмент — оба предиката ЗЕРКАЛЯТ _COMMON_WHERE эстиматора.
|
||
# Вклад у них РАЗНЫЙ, и не тот, на который легко подумать. Прод-разложение
|
||
# (2026-08-05, пул location_index — bbox ЕКБ + sanity ₽/м² + geo_precision):
|
||
#
|
||
# было (только is_active) 30 222 строк 172 984 ₽/м²
|
||
# + только свежесть 11 453 строк 163 363 ₽/м²
|
||
# + только сегмент 11 219 строк 147 632 ₽/м²
|
||
# стало (оба) 7 715 строк 147 368 ₽/м²
|
||
#
|
||
# - listing_segment guard (#1186) — ЭТО и есть исправление смещения: из −14.8%
|
||
# сдвига городской медианы он даёт −14.7 п.п. Девелоперский прайс новостроек
|
||
# завышал и локальную, и городскую медиану. NULL = legacy вторичка до м.011.
|
||
# Мертвецы, кстати, живут почти целиком тут же: из 18 769 протухших строк
|
||
# пула 15 265 — новостройки, и гард выносит их заодно.
|
||
# - scraped_at > NOW() - LISTINGS_FRESH_DAYS — даёт ПОВЕРХ сегмента всего
|
||
# −0.18 п.п. Для ЭТОЙ метрики он не коррекция смещения, а СТРАХОВКА на
|
||
# будущее (пул совпадает с пулом цены; если завтра протухнет вторичка —
|
||
# виджет не соврёт), и страховка не бесплатная: выбрасывает 3 504 вторичных
|
||
# строки, из которых 2 724 — живые объявления, отскрейпленные 15-30 дней
|
||
# назад. Пул −31%, шум растёт: на центре ЕКБ (r=800) n падает 423 → 86, а
|
||
# сам индекс гуляет по выбору окна на 12-14 п.п. (7д +75.7% / 14д +77.0% /
|
||
# 21д +79.1% / 30д +64.7%) — при n=86 это в пределах шума выборки медианы.
|
||
# Размен «меньше смещения ↔ больше дисперсии» сделан осознанно: старое число
|
||
# было предвзятым, новое — шумным, но честным. Окно менять здесь НЕ надо,
|
||
# LISTINGS_FRESH_DAYS живёт в estimator.py (см. импорт выше).
|
||
#
|
||
# НОВЫЙ РЕЖИМ ОТКАЗА (знать обязательно): свежесть связала витрину со здоровьем
|
||
# СБОРА. Встанет скрейпинг на LISTINGS_FRESH_DAYS — городская выборка не наберёт
|
||
# MIN_SAMPLE_SIZE, и "insufficient_data" прилетит ВСЕМ пользователям разом; до
|
||
# этой правки виджет продолжал бы показывать устаревшее число. Учитывая, что
|
||
# #2574 — ровно месяц молчаливой поломки сбора, сценарий не гипотетический.
|
||
# Деградация честная (прочерк, а не выдуманное число), но она теперь массовая.
|
||
#
|
||
# Порог MIN_SAMPLE_SIZE после сужения пула набирается реже, но лестница радиусов
|
||
# упирается в отказ редко — прод-симуляция на 246 реальных точках оценок:
|
||
# insufficient_data 0 → 1 точка (0.4%), 800м хватает 241 точке из 246.
|
||
#
|
||
# bbox-фильтр (lat/lon) — сопоставимые листинги считаются ТОЛЬКО по Екатеринбургу, даже если
|
||
# сам продукт уже скрейпит соседние города области (city-sweep): географию location_index
|
||
# явно ограничил владелец продукта.
|
||
_MEDIAN_PPM2_LOCAL_SQL = text(
|
||
"""
|
||
SELECT
|
||
CAST(percentile_cont(0.5) WITHIN GROUP (ORDER BY price_per_m2) AS double precision)
|
||
AS median_ppm2,
|
||
count(*) AS n
|
||
FROM listings
|
||
WHERE is_active = true
|
||
AND price_per_m2 IS NOT NULL
|
||
AND price_per_m2 BETWEEN CAST(:price_min AS integer) AND CAST(:price_max AS integer)
|
||
AND (geo_precision IS DISTINCT FROM 'city')
|
||
AND scraped_at > NOW() - (:fresh_days || ' days')::interval
|
||
AND (listing_segment IS NULL OR listing_segment = 'vtorichka')
|
||
AND lat BETWEEN CAST(:bbox_south AS double precision)
|
||
AND CAST(:bbox_north AS double precision)
|
||
AND lon BETWEEN CAST(:bbox_west AS double precision)
|
||
AND CAST(:bbox_east AS double precision)
|
||
AND ST_DWithin(
|
||
geom::geography,
|
||
ST_SetSRID(ST_MakePoint(:lon, :lat), 4326)::geography,
|
||
CAST(:radius_m AS double precision)
|
||
)
|
||
"""
|
||
)
|
||
|
||
_MEDIAN_PPM2_CITYWIDE_SQL = text(
|
||
"""
|
||
SELECT
|
||
CAST(percentile_cont(0.5) WITHIN GROUP (ORDER BY price_per_m2) AS double precision)
|
||
AS median_ppm2,
|
||
count(*) AS n
|
||
FROM listings
|
||
WHERE is_active = true
|
||
AND price_per_m2 IS NOT NULL
|
||
AND price_per_m2 BETWEEN CAST(:price_min AS integer) AND CAST(:price_max AS integer)
|
||
AND (geo_precision IS DISTINCT FROM 'city')
|
||
AND scraped_at > NOW() - (:fresh_days || ' days')::interval
|
||
AND (listing_segment IS NULL OR listing_segment = 'vtorichka')
|
||
AND lat BETWEEN CAST(:bbox_south AS double precision)
|
||
AND CAST(:bbox_north AS double precision)
|
||
AND lon BETWEEN CAST(:bbox_west AS double precision)
|
||
AND CAST(:bbox_east AS double precision)
|
||
"""
|
||
)
|
||
|
||
_NEAREST_POI_SQL = text(
|
||
"""
|
||
SELECT
|
||
p.name,
|
||
p.category,
|
||
CAST(
|
||
ST_Distance(
|
||
p.geom::geography,
|
||
ST_SetSRID(ST_MakePoint(:lon, :lat), 4326)::geography
|
||
) AS double precision
|
||
) AS distance_m
|
||
FROM osm_poi_ekb_local p
|
||
WHERE p.geom IS NOT NULL
|
||
AND ST_DWithin(
|
||
p.geom::geography,
|
||
ST_SetSRID(ST_MakePoint(:lon, :lat), 4326)::geography,
|
||
CAST(:radius_m AS double precision)
|
||
)
|
||
ORDER BY distance_m ASC
|
||
LIMIT :limit
|
||
"""
|
||
)
|
||
|
||
|
||
def _local_median_ppm2(db: Any, lat: float, lon: float, radius_m: int) -> tuple[float | None, int]:
|
||
row = (
|
||
db.execute(
|
||
_MEDIAN_PPM2_LOCAL_SQL,
|
||
{
|
||
"lat": lat,
|
||
"lon": lon,
|
||
"radius_m": radius_m,
|
||
"fresh_days": LISTINGS_FRESH_DAYS,
|
||
"price_min": _PRICE_PER_M2_SANITY_MIN,
|
||
"price_max": _PRICE_PER_M2_SANITY_MAX,
|
||
"bbox_south": _EKB_BBOX_SOUTH,
|
||
"bbox_north": _EKB_BBOX_NORTH,
|
||
"bbox_west": _EKB_BBOX_WEST,
|
||
"bbox_east": _EKB_BBOX_EAST,
|
||
},
|
||
)
|
||
.mappings()
|
||
.first()
|
||
)
|
||
if row is None:
|
||
return None, 0
|
||
median = row["median_ppm2"]
|
||
return (float(median) if median is not None else None), int(row["n"] or 0)
|
||
|
||
|
||
def _citywide_median_ppm2(db: Any) -> tuple[float | None, int]:
|
||
row = (
|
||
db.execute(
|
||
_MEDIAN_PPM2_CITYWIDE_SQL,
|
||
{
|
||
"fresh_days": LISTINGS_FRESH_DAYS,
|
||
"price_min": _PRICE_PER_M2_SANITY_MIN,
|
||
"price_max": _PRICE_PER_M2_SANITY_MAX,
|
||
"bbox_south": _EKB_BBOX_SOUTH,
|
||
"bbox_north": _EKB_BBOX_NORTH,
|
||
"bbox_west": _EKB_BBOX_WEST,
|
||
"bbox_east": _EKB_BBOX_EAST,
|
||
},
|
||
)
|
||
.mappings()
|
||
.first()
|
||
)
|
||
if row is None:
|
||
return None, 0
|
||
median = row["median_ppm2"]
|
||
return (float(median) if median is not None else None), int(row["n"] or 0)
|
||
|
||
|
||
def _fetch_nearby_poi(
|
||
db: Any, lat: float, lon: float, radius_m: int, top_n: int
|
||
) -> tuple[list[NearbyPoi], str]:
|
||
"""Top-N POI поблизости — качественная справка «что рядом», не числовой показатель.
|
||
|
||
Graceful fallback: osm_poi_ekb_local пуста (рефреш ещё не запускался на этом окружении)
|
||
→ ([], "unavailable") вместо 500 или сфабрикованного списка.
|
||
"""
|
||
total = db.execute(text("SELECT count(*) FROM osm_poi_ekb_local")).scalar() or 0
|
||
if total == 0:
|
||
logger.warning(
|
||
"location_index: osm_poi_ekb_local is empty (refresh job not yet run on this "
|
||
"environment) — nearby_poi unavailable, no fabricated factors"
|
||
)
|
||
return [], "unavailable"
|
||
|
||
rows = (
|
||
db.execute(
|
||
_NEAREST_POI_SQL,
|
||
{"lat": lat, "lon": lon, "radius_m": radius_m, "limit": top_n * 10},
|
||
)
|
||
.mappings()
|
||
.all()
|
||
)
|
||
|
||
ranked: list[tuple[float, NearbyPoi]] = []
|
||
for row in rows:
|
||
distance_m = float(row["distance_m"])
|
||
category = row["category"] or "default"
|
||
weight = (1.0 / (distance_m + 100.0)) * _category_weight(category)
|
||
ranked.append(
|
||
(
|
||
weight,
|
||
NearbyPoi(poi_type=category, name=row["name"], distance_m=round(distance_m, 1)),
|
||
)
|
||
)
|
||
|
||
ranked.sort(key=lambda pair: pair[0], reverse=True)
|
||
return [poi for _weight, poi in ranked[:top_n]], "ok"
|
||
|
||
|
||
def compute_location_index(
|
||
db: Any,
|
||
lat: float,
|
||
lon: float,
|
||
*,
|
||
radius_m: int | None = None,
|
||
poi_radius_m: int = DEFAULT_POI_RADIUS_M,
|
||
poi_top_n: int = DEFAULT_POI_TOP_N,
|
||
) -> LocationIndexResult:
|
||
"""Посчитать location index для координат (lat, lon).
|
||
|
||
location_index_pct = (медиана ₽/м² сопоставимых активных листингов в радиусе точки −
|
||
медиана ₽/м² по всему ЕКБ) / медиана по ЕКБ * 100. Радиус — лестница RADIUS_LADDER_M
|
||
(расширяется, пока выборка не наберёт MIN_SAMPLE_SIZE), если явный radius_m не передан
|
||
(тогда используется РОВНО он, без расширения — для отладки/тестов).
|
||
|
||
Args:
|
||
db: SQLAlchemy Session.
|
||
lat: широта целевой точки.
|
||
lon: долгота целевой точки.
|
||
radius_m: явный радиус в метрах — если задан, лестница не используется.
|
||
poi_radius_m: радиус для качественного списка «что рядом» (независим от индекса).
|
||
poi_top_n: сколько POI показать в «что рядом».
|
||
|
||
Returns:
|
||
LocationIndexResult со status:
|
||
- "out_of_coverage" — точка вне bbox Екатеринбурга, ничего не считаем.
|
||
- "insufficient_data" — даже на максимальном радиусе сопоставимых листингов
|
||
меньше MIN_SAMPLE_SIZE (или городская выборка-эталон сама вырождена).
|
||
- "ok" — location_index_pct надёжен.
|
||
"""
|
||
if not _in_ekb_bbox(lat, lon):
|
||
logger.info(
|
||
"location_index: lat=%.5f lon=%.5f outside EKB coverage bbox — out_of_coverage",
|
||
lat,
|
||
lon,
|
||
)
|
||
return LocationIndexResult(
|
||
status="out_of_coverage",
|
||
location_index_pct=None,
|
||
local_median_price_per_m2=None,
|
||
city_median_price_per_m2=None,
|
||
sample_size=0,
|
||
radius_m=radius_m or RADIUS_LADDER_M[0],
|
||
nearby_poi=[],
|
||
poi_status="unavailable",
|
||
)
|
||
|
||
nearby_poi, poi_status = _fetch_nearby_poi(db, lat, lon, poi_radius_m, poi_top_n)
|
||
|
||
city_median, city_n = _citywide_median_ppm2(db)
|
||
if city_median is None or city_n < MIN_SAMPLE_SIZE:
|
||
logger.warning(
|
||
"location_index: citywide reference sample too small (n=%d) — insufficient_data",
|
||
city_n,
|
||
)
|
||
return LocationIndexResult(
|
||
status="insufficient_data",
|
||
location_index_pct=None,
|
||
local_median_price_per_m2=None,
|
||
city_median_price_per_m2=(round(city_median) if city_median is not None else None),
|
||
sample_size=city_n,
|
||
radius_m=radius_m or RADIUS_LADDER_M[-1],
|
||
nearby_poi=nearby_poi,
|
||
poi_status=poi_status,
|
||
)
|
||
|
||
radii = [radius_m] if radius_m is not None else list(RADIUS_LADDER_M)
|
||
local_median: float | None = None
|
||
sample_size = 0
|
||
used_radius = radii[-1]
|
||
for r in radii:
|
||
local_median, sample_size = _local_median_ppm2(db, lat, lon, r)
|
||
used_radius = r
|
||
if sample_size >= MIN_SAMPLE_SIZE:
|
||
break
|
||
|
||
if local_median is None or sample_size < MIN_SAMPLE_SIZE:
|
||
logger.info(
|
||
"location_index: lat=%.5f lon=%.5f sample=%d < MIN_SAMPLE_SIZE=%d up to "
|
||
"radius=%dm — insufficient_data",
|
||
lat,
|
||
lon,
|
||
sample_size,
|
||
MIN_SAMPLE_SIZE,
|
||
used_radius,
|
||
)
|
||
return LocationIndexResult(
|
||
status="insufficient_data",
|
||
location_index_pct=None,
|
||
local_median_price_per_m2=None,
|
||
city_median_price_per_m2=round(city_median),
|
||
sample_size=sample_size,
|
||
radius_m=used_radius,
|
||
nearby_poi=nearby_poi,
|
||
poi_status=poi_status,
|
||
)
|
||
|
||
pct = _pct_deviation(local_median, city_median)
|
||
logger.debug(
|
||
"location_index: lat=%.5f lon=%.5f radius=%dm n=%d local=%d city=%d pct=%.1f",
|
||
lat,
|
||
lon,
|
||
used_radius,
|
||
sample_size,
|
||
round(local_median),
|
||
round(city_median),
|
||
pct,
|
||
)
|
||
return LocationIndexResult(
|
||
status="ok",
|
||
location_index_pct=pct,
|
||
local_median_price_per_m2=round(local_median),
|
||
city_median_price_per_m2=round(city_median),
|
||
sample_size=sample_size,
|
||
radius_m=used_radius,
|
||
nearby_poi=nearby_poi,
|
||
poi_status=poi_status,
|
||
)
|