#pragma once

#include <Common/Exception.h>

#include <algorithm>
#include <limits>
#include <tuple>
#include <type_traits>

/** Этот класс предоставляет способ, чтобы оценить погрешность результата применения алгоритма HyperLogLog.
  * Эмирические наблюдения показывают, что большие погрешности возникают при E < 5 * 2^precision, где
  * E - возвращаемое значение алгоритмом HyperLogLog, и precision - параметр точности HyperLogLog.
  * См. "HyperLogLog in Practice: Algorithmic Engineering of a State of The Art Cardinality Estimation Algorithm".
  * (S. Heule et al., Proceedings of the EDBT 2013 Conference).
  */
template <typename BiasData>
class HyperLogLogBiasEstimator
{
public:
    static constexpr bool isTrivial()
    {
        return false;
    }

    /// Предельное количество уникальных значений до которого должна примениться поправка
    /// из алгоритма LinearCounting.
    static double getThreshold()
    {
        return BiasData::getThreshold();
    }

    /// Вернуть оценку погрешности.
    static double getBias(double raw_estimate)
    {
        const auto & estimates = BiasData::getRawEstimates();
        const auto & biases = BiasData::getBiases();

        auto it = std::lower_bound(estimates.begin(), estimates.end(), raw_estimate);

        if (it == estimates.end())
        {
            return biases[estimates.size() - 1];
        }
        else if (*it == raw_estimate)
        {
            size_t index = std::distance(estimates.begin(), it);
            return biases[index];
        }
        else if (it == estimates.begin())
        {
            return biases[0];
        }
        else
        {
            /// Получаем оценку погрешности путём линейной интерполяции.
            size_t index = std::distance(estimates.begin(), it);

            double estimate1 = estimates[index - 1];
            double estimate2 = estimates[index];

            double bias1 = biases[index - 1];
            double bias2 = biases[index];
            /// Предполагается, что условие estimate1 < estimate2 всегда выполнено.
            double slope = (bias2 - bias1) / (estimate2 - estimate1);

            return bias1 + slope * (raw_estimate - estimate1);
        }
    }

private:
    /// Статические проверки.
    using TRawEstimatesRef = decltype(BiasData::getRawEstimates());
    using TRawEstimates = typename std::remove_reference<TRawEstimatesRef>::type;

    using TBiasDataRef = decltype(BiasData::getBiases());
    using TBiasData = typename std::remove_reference<TBiasDataRef>::type;

    static_assert(std::is_same<TRawEstimates, TBiasData>::value, "Bias estimator data have inconsistent types");
    static_assert(std::tuple_size<TRawEstimates>::value > 0, "Bias estimator has no raw estimate data");
    static_assert(std::tuple_size<TBiasData>::value > 0, "Bias estimator has no bias data");
    static_assert(std::tuple_size<TRawEstimates>::value == std::tuple_size<TBiasData>::value,
                  "Bias estimator has inconsistent data");
};

/** Тривиальный случай HyperLogLogBiasEstimator: употребляется, если не хотим исправить
  * погрешность. Это имеет смысль при маленьких значениях параметра точности, например 5 или 12.
  * Тогда применяются поправки из оригинальной версии алгоритма HyperLogLog.
  * См. "HyperLogLog: The analysis of a near-optimal cardinality estimation algorithm"
  * (P. Flajolet et al., AOFA '07: Proceedings of the 2007 International Conference on Analysis
  * of Algorithms)
  */
struct TrivialBiasEstimator
{
    static constexpr bool isTrivial()
    {
        return true;
    }

    static double getThreshold()
    {
        return 0.0;
    }

    static double getBias(double raw_estimate)
    {
        return 0.0;
    }
};