Delete archive.py

archive.py

@@ -1,212 +0,0 @@
-#-------------------------------------------------------- Imports nécessaires ---------------------------------------------------
-import os
-import warnings
-import pandas as pd
-import numpy as np
-import plotly.express as px
-import streamlit as st
-import boto3
-import mlflow
-import mlflow.pyfunc
-
-from sklearn.exceptions import UndefinedMetricWarning
-from sklearn import set_config
-
-warnings.filterwarnings("ignore", category=UndefinedMetricWarning)
-set_config(display="text")
-
-#-------------------------------------------------------- Configuration AWS S3 ---------------------------------------------------
-aws_access_key_id = os.environ.get("AWS_ACCESS_KEY_ID")
-aws_secret_access_key = os.environ.get("AWS_SECRET_ACCESS_KEY")
-aws_region = "eu-west-3"
-
-s3 = boto3.client(
-    's3',
-    region_name=aws_region,
-    aws_access_key_id=aws_access_key_id,
-    aws_secret_access_key=aws_secret_access_key
-)
-
-#-------------------------------------------------------- Streamlit page config ---------------------------------------------------
-st.set_page_config(page_title="Projet Incendies", layout="wide")
-
-#-------------------------------------------------------- Sidebar navigation ---------------------------------------------------
-st.sidebar.title("Navigation")
-page = st.sidebar.radio("Aller à", [
-    "Accueil",
-    "Notre Projet",
-    "Résultats des modèles",
-])
-
-#-------------------------------------------------------- Footer ---------------------------------------------------
-def show_footer():
-    st.markdown("---")
-    st.markdown("Projet réalisé dans le cadre de la formation Lead Data Scientist. © 2025")
-
-#-------------------------------------------------------- Chargement des datasets depuis S3 ---------------------------------------------------
-@st.cache_data(show_spinner="🔄 Téléchargement du dataset modèle…", ttl=None)
-def load_model_data() -> pd.DataFrame:
-    bucket = "projet-final-lead"
-    key = "data/dataset_complet_meteo.csv"
-    try:
-        # Utilise boto3 pour accéder au S3 avec tes credentials déjà définis dans l'environnement
-        obj = s3.get_object(Bucket=bucket, Key=key)
-        df = pd.read_csv(obj['Body'], sep=';')
-        for col in df.columns:
-            if "date" in col.lower():
-                df[col] = pd.to_datetime(df[col], errors="coerce", dayfirst=True)
-        return df
-    except Exception as e:
-        st.error(f"❌ Erreur lors du chargement du dataset modèle : {e}")
-        return pd.DataFrame()
-
-
-@st.cache_data(show_spinner="🔄 Téléchargement du dataset historique…", ttl=None)
-def load_df_merge() -> pd.DataFrame:
-    bucket = "projet-final-lead"
-    key = "data/historique_incendies_avec_coordonnees.csv"
-    try:
-        obj = s3.get_object(Bucket=bucket, Key=key)
-        df = pd.read_csv(obj['Body'], sep=';', encoding='utf-8')
-        return df
-    except Exception as e:
-        st.error(f"❌ Erreur lors du chargement du dataset historique : {e}")
-        return pd.DataFrame()
-
-#-------------------------------------------------------- MLflow ---------------------------------------------------
-mlflow.set_tracking_uri("https://djohell-ml-flow.hf.space")
-
-@st.cache_data(show_spinner="🔄 Chargement du modèle MLflow…", ttl=None)
-def load_mlflow_model():
-    # Remplace ce run_id par le run_id correct de ton modèle
-    model_uri = 'runs:/69a3c889954f4ce9a2139a4fb4cefc59/survival_xgb_model'
-    model = mlflow.pyfunc.load_model(model_uri)
-    return model
-
-# Exemple d'utilisation
-_model = load_mlflow_model()
-st.write("✅ Modèle MLflow chargé !")
-
-#-------------------------------------------------------- Prédiction via MLflow ---------------------------------------------------
-@st.cache_data(show_spinner="⚙️ Prédiction des risques…", ttl=None)
-def predict_risk(df_raw: pd.DataFrame, _model) -> pd.DataFrame:
-    df = df_raw.copy()
-    df = df.rename(columns={"Feu prévu": "event", "décompte": "duration"})
-    df["event"] = df["event"].astype(bool)
-    df["duration"] = df["duration"].fillna(0)
-
-    features = [
-        "moyenne precipitations mois", "moyenne temperature mois",
-        "moyenne evapotranspiration mois", "moyenne vitesse vent année",
-        "moyenne vitesse vent mois", "moyenne temperature année",
-        "RR", "UM", "ETPMON", "TN", "TX", "Nombre de feu par an",
-        "Nombre de feu par mois", "jours_sans_pluie", "jours_TX_sup_30",
-        "ETPGRILLE_7j", "compteur jours vers prochain feu",
-        "compteur feu log", "Année", "Mois",
-        "moyenne precipitations année", "moyenne evapotranspiration année",
-    ]
-    features = [f for f in features if f in df.columns]
-
-    # ⚡ Correction : passer directement le DataFrame
-    log_hr_all = _model.predict(df[features])
-    HR = np.exp(log_hr_all)
-
-    # Baseline hazard factice
-    def S0(t):
-        return np.exp(-t/1000)
-
-    horizons = {7:"proba_7j", 30:"proba_30j", 60:"proba_60j", 90:"proba_90j", 180:"proba_180j"}
-    for t, col in horizons.items():
-        df[col] = 1 - (S0(t) ** HR)
-
-    for col in ["latitude","longitude","ville"]:
-        if col not in df.columns:
-            df[col] = np.nan
-
-    df_map = df[["latitude","longitude","ville"] + list(horizons.values())].copy()
-    return df_map
-
-#-------------------------------------------------------- Page Accueil ---------------------------------------------------
-if page == "Accueil":
-    st.title("Carte du risque d’incendie en Corse")
-
-    df_raw = load_model_data()
-    df_map = predict_risk(df_raw, _model)
-
-    horizons_lbl = {
-        "7 jours":"proba_7j",
-        "30 jours":"proba_30j",
-        "60 jours":"proba_60j",
-        "90 jours":"proba_90j",
-        "180 jours":"proba_180j",
-    }
-    choix = st.radio("Choisis l’horizon temporel :", list(horizons_lbl.keys()), horizontal=True, index=0)
-    col_proba = horizons_lbl[choix]
-
-    vmax = float(df_map[col_proba].max())
-    fig = px.scatter_mapbox(
-        df_map,
-        lat="latitude",
-        lon="longitude",
-        hover_name="ville",
-        hover_data={col_proba: ":.2%"},
-        color=col_proba,
-        color_continuous_scale="YlOrRd",
-        range_color=(0.0, vmax),
-        zoom=7,
-        height=650,
-    )
-    fig.update_layout(
-        mapbox_style="open-street-map",
-        margin=dict(l=0,r=0,t=0,b=0),
-        coloraxis_colorbar=dict(title="Probabilité", tickformat=".0%"),
-    )
-    st.subheader(f"Risque d’incendie – horizon **{choix}**")
-    st.plotly_chart(fig, use_container_width=True)
-
-    show_footer()
-
-#-------------------------------------------------------- Page Notre Projet ---------------------------------------------------
-elif page == "Notre Projet":
-    st.title("🔥 Projet Analyse des Incendies 🔥")
-
-    st.subheader(" 📊 Contexte")
-    st.subheader("🌲La forêt française en chiffres")
-    col1, col2 = st.columns([2,1])
-    with col1:
-        st.markdown("""
-La France est le 4ᵉ pays européen en superficie forestière, avec **17,5 millions d’hectares** en métropole (32 % du territoire) et **8 millions** en Guyane.
-Au total, les forêts couvrent environ **41 %** du territoire national.
-- **75 %** des forêts sont privées (3,5 millions de propriétaires).
-- **16 %** publiques (collectivités).
-- **9 %** domaniales (État).
-La forêt française est un réservoir de biodiversité :  
-- **190 espèces d’arbres** (67 % feuillus, 33 % conifères).  
-- **73 espèces de mammifères**, **120 d’oiseaux**.  
-- Environ **30 000 espèces de champignons et autant d’insectes**.  
-- **72 %** de la flore française se trouve en forêt.
-Les forêts françaises absorbent environ **9 %** des émissions nationales de gaz à effet de serre, jouant un rôle crucial dans la lutte contre le changement climatique.
-Le Code forestier encadre leur gestion durable pour protéger la biodiversité, l’air, l’eau et prévenir les risques naturels.
-        """)
-    st.header("🔥 Corse : Bilan Campagne Feux de Forêts 2024")
-    tab1, tab2, tab3, tab4, tab5, tab6 = st.tabs(["📌 Contexte","🛠️ Prévention","🚒 Moyens","📊 Statistiques","🔍 Causes","🔎 Enquêtes"])
-
-    with tab1:
-        with st.expander("📌 Contexte général"):
-            st.markdown("- **80 %** de la Corse est couverte de forêts/maquis → **fort risque incendie**  \n- **2023-2024** : la plus chaude et la plus sèche jamais enregistrée  \n- **714 mm** de pluie sur l’année (**78 %** de la normale)  \n- **Façade orientale** : seulement **30 %** des précipitations normales")
-    # Les autres tabs peuvent suivre exactement ton code initial...
-
-    show_footer()
-
-#-------------------------------------------------------- Page Résultats des modèles ---------------------------------------------------
-elif page == "Résultats des modèles":
-    st.title("📈 Résultats des modèles prédictifs")
-    st.markdown("### Comparaison des modèles de Survival Analysis")
-    st.markdown("""
-    | Modèle                            | Concordance Index | 
-    |-----------------------------------|-------------------|
-    | Predict survival fonction (MVP)   | 0.69              |                 
-    | XGBOOST survival cox              | 0.809             |      
-    """)
-    st.markdown("👉 Le modèle **XGBOOST survival cox** obtient la meilleure performance globale.")
-    show_footer()