feat: Add poblacion_apta service to docker-compose, enhance API gateway for new service integration, and update README with service details. Introduce new database tables for poblacion_apta_jobs and poblacion_apta_rows, and implement functionality for handling cop/mod calculations in the cleaning service.

services/cleaning/domain/csv_cleaning/apply.py

@@ -6,7 +6,11 @@ from typing import Any, Optional
 
 import pandas as pd
 
-from .cop_mod import _apply_cop_mod_split, merge_moderadora_config
+from .cop_mod import (
+  _apply_cop_mod_bruto_neto,
+  _apply_cop_mod_split,
+  merge_moderadora_config,
+)
 from .documents import _apply_doc_id_split_columns
 from .notas import _apply_nota_extract_columns
 from .rules import get_rule_fn, get_rule_name
@@ -20,20 +24,24 @@ def apply_rules(
   *,
   cop_mod_fecha_column: Optional[dict[str, str]] = None,
   cop_mod_config: Optional[dict[str, Any]] = None,
+  cop_mod_bruto_column: Optional[dict[str, str]] = None,
+  cop_mod_neto_column: Optional[dict[str, str]] = None,
 ) -> tuple[pd.DataFrame, list[str]]:
   """Aplica las reglas seleccionadas a cada columna.
 
   `rules_per_column` es un dict de `columna -> lista de IDs de reglas en el
-  orden a aplicar`. La regla `cop_mod_split` se difiere a una segunda pasada
-  tras el resto, para que la columna de fecha pueda normalizarse antes.
+  orden a aplicar`. Las reglas `cop_mod_split` y `cop_mod_bruto_neto` se
+  difieren a una segunda pasada tras el resto.
 
-  `cop_mod_fecha_column`: mapa columna de importe -> nombre de columna Fecha Servicio.
-  `cop_mod_config`: opcional; puede incluir ``moderadora_by_year`` (dict año → lista).
+  `cop_mod_fecha_column`: mapa columna ancla -> Fecha Servicio (para split).
+  `cop_mod_bruto_column` / `cop_mod_neto_column`: mapas ancla -> bruto / neto.
+  `cop_mod_config`: opcional; puede incluir ``moderadora_by_year``.
   """
   result = df.copy()
   log: list[str] = []
 
   moderadora_years = merge_moderadora_config(cop_mod_config)
+  deferred = {"cop_mod_split", "cop_mod_bruto_neto"}
 
   def _run_rules_for_column(col: str, rule_ids: list[str]) -> None:
     if not rule_ids:
@@ -74,12 +82,12 @@ def apply_rules(
         logger.exception("Error aplicando regla %s a %s", rule_id, col)
         log.append(f"[ERROR] '{col}' regla '{rule_id}': {exc}")
 
-  # Fase 1: todas las reglas excepto cop_mod_split
+  # Fase 1: todas las reglas excepto COP/MOD diferidas
   for col, rule_ids in rules_per_column.items():
-    filtered = [r for r in rule_ids if r != "cop_mod_split"]
+    filtered = [r for r in rule_ids if r not in deferred]
     _run_rules_for_column(col, filtered)
 
-  # Fase 2: Separa COP/MOD sobre el DataFrame ya transformado
+  # Fase 2a: Separa COP/MOD (cuotas por año)
   fecha_map = cop_mod_fecha_column or {}
   for col, rule_ids in rules_per_column.items():
     if "cop_mod_split" not in rule_ids:
@@ -102,4 +110,23 @@ def apply_rules(
       logger.exception("Error aplicando COP/MOD a %s", col)
       log.append(f"[ERROR] '{col}' regla 'cop_mod_split': {exc}")
 
+  # Fase 2b: COP/MOD = bruto − neto
+  bruto_map = cop_mod_bruto_column or {}
+  neto_map = cop_mod_neto_column or {}
+  for col, rule_ids in rules_per_column.items():
+    if "cop_mod_bruto_neto" not in rule_ids:
+      continue
+    bruto_col = (bruto_map.get(col) or col).strip()
+    neto_col = (neto_map.get(col) or "").strip()
+    if not neto_col:
+      log.append(
+        f"[WARN] COP/MOD (bruto−neto) en '{col}': indique la columna «Valor neto»; se omite."
+      )
+      continue
+    try:
+      _apply_cop_mod_bruto_neto(result, bruto_col, neto_col, log)
+    except Exception as exc:  # noqa: BLE001
+      logger.exception("Error aplicando COP/MOD bruto−neto a %s", col)
+      log.append(f"[ERROR] '{col}' regla 'cop_mod_bruto_neto': {exc}")
+
   return result, log

services/cleaning/domain/csv_cleaning/cop_mod.py

@@ -160,3 +160,59 @@ def _apply_cop_mod_split(
     f"[OK] '{amount_col}' -> '{ccol}', '{mcol}' <- Separa COP/MOD "
     f"(fecha: '{fecha_column}')"
   )
+
+
+def _alloc_cop_mod_diff_column_name(existing: set[str]) -> str:
+  """Nombre único para la columna resultado (preferido: cop/mod)."""
+  preferred = "cop/mod"
+  if preferred not in existing:
+    return preferred
+  for i in range(2, 200):
+    name = f"cop/mod_{i}"
+    if name not in existing:
+      return name
+  raise ValueError("No se pudo asignar nombre de columna único para cop/mod.")
+
+
+def _apply_cop_mod_bruto_neto(
+  result: pd.DataFrame,
+  bruto_col: str,
+  neto_col: str,
+  log: list[str],
+) -> None:
+  """Crea columna ``cop/mod`` = valor bruto − valor neto."""
+  if bruto_col not in result.columns:
+    log.append(
+      f"[WARN] COP/MOD (bruto−neto): columna bruto '{bruto_col}' no existe; se omite."
+    )
+    return
+  if neto_col not in result.columns:
+    log.append(
+      f"[WARN] COP/MOD (bruto−neto): columna neto '{neto_col}' no existe; se omite."
+    )
+    return
+  if bruto_col == neto_col:
+    log.append(
+      f"[WARN] COP/MOD (bruto−neto): bruto y neto son la misma columna '{bruto_col}'; se omite."
+    )
+    return
+
+  bruto_ser = result[bruto_col]
+  neto_ser = result[neto_col]
+  bruto_hint = _infer_decimal_hint_from_column(bruto_ser.astype(str))
+  neto_hint = _infer_decimal_hint_from_column(neto_ser.astype(str))
+
+  out_col = _alloc_cop_mod_diff_column_name(set(result.columns))
+  values: list[Any] = []
+  for i in range(len(result)):
+    bruto_i = _amount_cell_to_optional_int(bruto_ser.iloc[i], bruto_hint)
+    neto_i = _amount_cell_to_optional_int(neto_ser.iloc[i], neto_hint)
+    if bruto_i is None or neto_i is None:
+      values.append("")
+      continue
+    values.append(bruto_i - neto_i)
+
+  result[out_col] = values
+  log.append(
+    f"[OK] '{out_col}' = '{bruto_col}' − '{neto_col}' <- COP/MOD (bruto − neto)"
+  )

services/cleaning/domain/csv_cleaning/rules/builtins.py

@@ -121,6 +121,15 @@ register_rule(
   ),
   fn=special._rule_passthrough_series,
 )
+register_rule(
+  "cop_mod_bruto_neto",
+  name="COP/MOD (bruto − neto)",
+  description=(
+    "Calcula la columna «cop/mod» como Valor bruto − Valor neto. "
+    "Elija ambas columnas en la tarjeta (se detectan automáticamente si existen)."
+  ),
+  fn=special._rule_passthrough_series,
+)
 register_rule(
   "nota_paciente_autorizacion",
   name="Extraer datos de notas (documento y autorización)",

services/cleaning/domain/csv_cleaning/type_inference.py

@@ -101,7 +101,7 @@ def _applicable_rules_for_type(inferred_type: str) -> list[str]:
   """Identificadores de reglas a mostrar según el tipo inferido (sin redundancias)."""
   base = ["strip_special_spaces", "strip_special_keep_date_seps", "strip_spaces"]
   if inferred_type == TYPE_INTEGER:
-    return base + ["cop_mod_split"]
+    return base + ["cop_mod_split", "cop_mod_bruto_neto"]
   if inferred_type == TYPE_DECIMAL:
     return base + [
       "to_integer",
@@ -109,6 +109,7 @@ def _applicable_rules_for_type(inferred_type: str) -> list[str]:
       "doc_id_split_tipo_numero",
       "doc_type_homologate",
       "cop_mod_split",
+      "cop_mod_bruto_neto",
     ]
   if inferred_type == TYPE_DATE:
     return base + [
@@ -125,6 +126,7 @@ def _applicable_rules_for_type(inferred_type: str) -> list[str]:
       "doc_type_homologate",
       "date_to_ddmmyyyy",
       "cop_mod_split",
+      "cop_mod_bruto_neto",
       "nota_paciente_autorizacion",
     ]
   # Texto / categórico / boolean / empty → todas las de limpieza de texto + las
@@ -136,6 +138,7 @@ def _applicable_rules_for_type(inferred_type: str) -> list[str]:
     "doc_type_homologate",
     "date_to_ddmmyyyy",
     "cop_mod_split",
+    "cop_mod_bruto_neto",
     "nota_paciente_autorizacion",
   ]