src/streamlit_app.py

import streamlit as st
import pandas as pd
import joblib
from PIL import Image
import requests
from pathlib import Path

# --- CONFIGURATION DE LA PAGE ---
st.set_page_config(
    page_title="Prédiction des Dépenses",
    page_icon="💳",
    layout="wide"
)

script = Path(__file__)
script_dir = script.parent

# --- CHARGEMENT DES RESSOURCES ---

# Utiliser le cache de Streamlit pour ne charger le modèle et les images qu'une seule fois
@st.cache_resource
def load_model():
    """Charge le modèle de prédiction depuis le fichier joblib."""
    try:
        model = joblib.load(script_dir/'xgboost_expenditure_predictor.joblib')
        return model
    except FileNotFoundError:
        return None
    
# Charger le modèle et les images
model = load_model()

# --- BARRE LATÉRALE DE NAVIGATION ---
logo_school_url = script_dir/"Keyce_Logo.jpg"
st.sidebar.image(logo_school_url, width=200, caption="Etablissement")
st.sidebar.header("Navigation")
pages = ["Accueil", "Prédiction"]
choice = st.sidebar.selectbox("Choisissez une page", pages)

# --- PAGE D'ACCUEIL ---
if choice == "Accueil":
    st.title("Projet de Machine Learning : Prédiction des Dépenses par Carte de Crédit")
    
    logo_theme_url = script_dir/"Credit-Card.png"  # Un logo générique de carte de crédit
    if logo_theme_url:
        col1, col2 = st.columns(2)
        with col1:
            st.image(logo_theme_url, width=200, caption="Carte de credit")
    st.markdown("---")
    st.header("Présentation")
    st.markdown("""
    Cette application web est le résultat d'un projet de fin de module visant à appliquer une procédure complète de Data Science.
    
    - **Objectif :** Prédire le montant des dépenses mensuelles d'un client détenteur d'une carte de crédit.
    - **Modèle utilisé :** `XGBoost Regressor`, un algorithme de type "gradient boosting" réputé pour sa performance.
    - **Démarche :** Le projet a suivi les étapes rigoureuses de la science des données, incluant le chargement, l'exploration, le nettoyage, le prétraitement, la modélisation et l'optimisation d'hyperparamètres.
    """)

    st.markdown("---")
    st.subheader("Informations")
    st.info("""
    - **Étudiant :** TATSA TCHINDA Colince
    - **Établissement :** KEYCE INFORMATIQUE & IA
    - **Module :** Machine Learning dans le Cloud
    """)

# --- PAGE DE PRÉDICTION ---
elif choice == "Prédiction":
    st.header("Prédiction des Dépenses Mensuelles 💳")
    st.markdown("Veuillez renseigner les informations du client pour obtenir une estimation de ses dépenses.")

    if model is None:
        st.error("ERREUR : Le fichier du modèle `xgboost_expenditure_predictor.joblib` n'a pas été trouvé. Assurez-vous qu'il se trouve dans le même dossier que l'application.")
    else:
        # Création des volets pour les inputs
        col1, col2 = st.columns(2)

        with col1:
            st.subheader("Informations Personnelles")
            age = st.slider("Âge", 18, 85, 35)
            income = st.number_input("Revenu annuel (en dizaines de milliers de $)", min_value=0.5, max_value=20.0, value=4.5, step=0.1, format="%.2f")
            dependents = st.slider("Nombre de dépendants", 0, 10, 2)
            owner = st.radio("Propriétaire de son logement ?", ('Oui', 'Non'), horizontal=True)
            selfemp = st.radio("Travailleur indépendant (auto-entrepreneur) ?", ('Oui', 'Non'), horizontal=True)

        with col2:
            st.subheader("Informations Bancaires")
            reports = st.slider("Nombre de rapports de crédit négatifs", 0, 20, 0)
            months = st.number_input("Ancienneté à la banque (en mois)", min_value=0, max_value=600, value=54)
            majorcards = st.radio("Possède une carte de crédit majeure ?", ('Oui', 'Non'), horizontal=True)
            active = st.slider("Nombre d'autres cartes de crédit actives", 0, 50, 12)

        st.markdown("---")
        if st.button("Lancer la Prédiction", type="primary"):
            
            # --- Prétraitement des données d'entrée ---
            st.write("#### 1. Préparation des données pour le modèle...")
            
            # Mapper les réponses textuelles en valeurs attendues par le modèle
            owner_mapped = 'yes' if owner == 'Oui' else 'no'
            selfemp_mapped = 'yes' if selfemp == 'Oui' else 'no'
            majorcards_mapped = 1 if majorcards == 'Oui' else 0
            
            input_data = pd.DataFrame({
                # Colonnes fournies par l'utilisateur
                'reports': [reports],
                'age': [age],
                'income': [income],
                'owner': [owner_mapped],
                'selfemp': [selfemp_mapped],
                'dependents': [dependents],
                'months': [months],
                'majorcards': [majorcards_mapped],
                'active': [active],
                # Colonnes manquantes ajoutées avec des valeurs factices
                'card': ['yes'],
                'share': [0.0]
            })

            st.write("Données formatées (avec colonnes factices pour le modèle) :")
            st.dataframe(input_data)

            # --- Exécution de la prédiction ---
            st.write("#### 2. Exécution du modèle XGBoost...")
            prediction = model.predict(input_data)
            predicted_value = prediction[0]

            # Assurer que la dépense prédite ne soit pas négative
            if predicted_value < 0:
                predicted_value = 0

            # --- Affichage du résultat ---
            st.write("#### 3. Résultat de la Prédiction")
            st.metric(
                label="Dépense Mensuelle Estimée",
                value=f"${predicted_value:,.2f} USD",
                help="Cette prédiction est basée sur le modèle XGBoost entraîné."
            )

            if predicted_value > 750:
                st.success("Le profil de ce client suggère une **dépense élevée**. C'est un client à fort potentiel.")
            elif predicted_value > 200:
                st.info("Le profil de ce client suggère une **dépense moyenne**.")
            else:
                st.warning("Le profil de ce client suggère une **dépense faible**.")