Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,40 +1,145 @@
-import altair as alt
-import numpy as np
-import pandas as pd
 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('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 ajout��es 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."
+            )
 
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))
+            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**.")