"""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).

`_MIN_UTTERANCES_PER_LOCALE` est volontairement `12`, pas `20` : la
génération vise `20` (`augment_utterances.py`'s `_TARGET`) mais s'arrête
avant si la technique n'a pas assez de vocabulaire distinctif propre
(`synonyms`) pour l'atteindre sans retomber massivement sur des tournures
génériques partagées par toutes les classes — une première version de ce
script forçait `20` partout via ce mécanisme et a mesurablement *dégradé*
`test/recipe-matching/tech-step-eval.test.ts` (F1 agrégé) plutôt que de
l'améliorer, en réduisant la séparabilité entre classes plus qu'en ajoutant
un vrai signal. `12` reste très au-dessus du plancher d'origine (3-7) tout
en laissant `augment_utterances.py` s'arrêter honnêtement plutôt que de
forcer un compte rond au prix de la qualité."""

from intent_service.training_data import TECH_STEP_TRAINING_DATA

_MIN_UTTERANCES_PER_LOCALE = 12


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: {short}"
    )