new push

app.py

@@ -84,19 +84,19 @@ def load_model_data():
         st.error(f"❌ Erreur lors du chargement des données : {e}")
         return pd.DataFrame()
 #_________________________________________________# Chargement des données d'incendies et de coordonnées#_______________________________________
-@st.cache_data
-def load_data():
-    url_incendies = 'https://projet-incendie.s3.eu-west-3.amazonaws.com/Incendies_2006_2024.csv'
-    return pd.read_csv(url_incendies, sep=';', encoding='utf-8', skiprows=3)
+# @st.cache_data
+# def load_data():
+#     url_incendies = 'https://projet-incendie.s3.eu-west-3.amazonaws.com/Incendies_2006_2024.csv'
+#     return pd.read_csv(url_incendies, sep=';', encoding='utf-8', skiprows=3)
 
-@st.cache_data
-def load_coords():
-    url_coords = 'https://projet-incendie.s3.eu-west-3.amazonaws.com/coordonnees_villes.csv'
-    return pd.read_csv(url_coords, sep=',', encoding='utf-8')
+# @st.cache_data
+# def load_coords():
+#     url_coords = 'https://projet-incendie.s3.eu-west-3.amazonaws.com/coordonnees_villes.csv'
+#     return pd.read_csv(url_coords, sep=',', encoding='utf-8')
 
 @st.cache_data
 def load_df_merge():
-    url = 'https://projet-incendie.s3.eu-west-3.amazonaws.com/historique_incendies_avec_coordonnees.csv'
+    url = 'https://fireprojectbislead.s3.us-east-1.amazonaws.com/dataset/historique_incendies_avec_coordonnees.csv'
     return pd.read_csv(url, sep=';', encoding='utf-8')
 #------------------------------------------------------- ----------------Notre produit#_________________________________________________
 import streamlit as st
@@ -104,6 +104,8 @@ import pandas as pd
 import numpy as np
 import plotly.express as px
 import warnings
+import mlflow
+import mlflow.sklearn
 from sklearn.exceptions import UndefinedMetricWarning
 from sklearn import set_config
 from sklearn.model_selection import train_test_split
@@ -124,8 +126,7 @@ set_config(display="text")
 @st.cache_data(show_spinner="🔄 Téléchargement du CSV…", ttl=None)
 def load_raw_data() -> pd.DataFrame:
     url = (
-        "https://projet-incendie.s3.eu-west-3.amazonaws.com/"
-        "dataset_modele_decompte.csv"
+            "https://fireprojectbislead.s3.us-east-1.amazonaws.com/compile/dataset_complet_meteo.csv"
     )
     return pd.read_csv(url, sep=";")
 
@@ -164,7 +165,7 @@ def train_model_and_predict(df_raw: pd.DataFrame) -> pd.DataFrame:
     ev_test, du_test = y_test["event"], y_test["duration"]
 
     # d) Pipeline XGBSurv
-    pipe = Pipeline([
+    model = Pipeline([
         ("imputer", SimpleImputer(strategy="median")),
         ("scaler", StandardScaler()),
         ("xgb", XGBRegressor(
@@ -176,10 +177,10 @@ def train_model_and_predict(df_raw: pd.DataFrame) -> pd.DataFrame:
             random_state=42,
         )),
     ])
-    pipe.fit(X_train, du_train, xgb__sample_weight=ev_train)
+    model.fit(X_train, du_train, xgb__sample_weight=ev_train)
 
     # e) Affiche C-index dans la sidebar
-    log_hr_test = pipe.predict(X_test)
+    log_hr_test = model.predict(X_test)
     c_index = concordance_index_censored(ev_test, du_test, log_hr_test)[0]
     st.sidebar.write(f"**C-index (test)** : {c_index:.3f}")
 
@@ -229,7 +230,7 @@ def train_model_and_predict(df_raw: pd.DataFrame) -> pd.DataFrame:
     horizons = {7: "proba_7j", 30: "proba_30j", 60: "proba_60j",
                 90: "proba_90j", 180: "proba_180j"}
 
-    log_hr_all = pipe.predict(df[features])
+    log_hr_all = model.predict(df[features])
     HR = np.exp(log_hr_all)
 
     for t, col in horizons.items():
@@ -286,95 +287,95 @@ if page == "Accueil":
     st.plotly_chart(fig, use_container_width=True)
 
 # ---------------------------------------------------------------Carte des casernes de pompiers#______________________________________________
-from branca.element import Template, MacroElement  # Import nécessaire
-
-import folium
-from folium import DivIcon
-from streamlit_folium import st_folium
-
-if page == "Accueil":
-
-    # Chargement des données des casernes
-    df_casernes = pd.read_csv(
-        'https://projet-incendie.s3.eu-west-3.amazonaws.com/casernes_corses.csv',
-        sep=',',
-        encoding='utf8'
-    )
-
-    # Nettoyage des coordonnées
-    df_casernes['latitude'] = df_casernes['latitude'].astype(str).str.replace(',', '.').astype(float)
-    df_casernes['longitude'] = df_casernes['longitude'].astype(str).str.replace(',', '.').astype(float)
-    df_casernes = df_casernes.dropna(subset=['latitude', 'longitude'])
-
-    # Catégorisation des casernes
-    df_casernes['categorie'] = np.select(
-        [
-            df_casernes['nom'].str.contains('centre', case=False, na=False),
-            df_casernes['nom'].str.contains('base', case=False, na=False),
-            df_casernes['nom'].str.contains('SSLIA', case=False, na=False),
-            df_casernes['nom'].str.contains('citerne', case=False, na=False),
-            df_casernes['nom'].str.contains('borne', case=False, na=False),
-        ],
-        [
-            "Centre d'incendie et de secours",
-            'Base forestière',
-            'SSLIA (aérodromes)',
-            'Citerne',
-            'Borne incendie'
-        ],
-        default='Autre'
-    )
-
-    # Dictionnaire d'emojis
-    emoji_legende = {
-        "Centre d'incendie et de secours": "🚒",
-        "Base forestière": "🌲",
-        "SSLIA (aérodromes)": "✈️",
-        "Citerne": "💦"
-    }
-
-    # Carte centrée sur la Corse
-    m = folium.Map(location=[42.0396, 9.0129], zoom_start=8)
-
-    for _, row in df_casernes.iterrows():
-        emoji = emoji_legende.get(row['categorie'], '❓')
-        folium.Marker(
-            location=[row['latitude'], row['longitude']],
-            popup=f"{emoji} {row['nom']}",
-            icon=DivIcon(html=f"""<div style="font-size:24px">{emoji}</div>""")
-        ).add_to(m)
-
-    # Légende HTML
-    legend_html = """
-    {% macro html(this, kwargs) %}
-    <div style="
-        position: fixed; 
-        bottom: 50px; left: 50px; width: 280px; 
-        background-color: white;
-        border: 2px solid grey; 
-        z-index: 9999; 
-        font-size: 14px;
-        color: black;
-        padding: 10px;
-        border-radius: 10px;
-        box-shadow: 2px 2px 6px rgba(0,0,0,0.3);
-    ">
-    <b>📘 Légende</b><br>
-    🚒 Centre d'incendie et de secours<br>
-    🌲 Base forestière<br>
-    ✈️ SSLIA (aérodromes)<br>
-    💦 Citerne<br>
-    </div>
-    {% endmacro %}
-    """
-
-    legend = MacroElement()
-    legend._template = Template(legend_html)
-
-    m.get_root().add_child(legend)
-
-    st.subheader("🗺️ Carte des casernes et équipements de lutte contre les incendies")
-    st_folium(m, width=1000, height=800)    
+# from branca.element import Template, MacroElement  # Import nécessaire
+
+# import folium
+# from folium import DivIcon
+# from streamlit_folium import st_folium
+
+# if page == "Accueil":
+
+#     # Chargement des données des casernes
+#     df_casernes = pd.read_csv(
+#         'https://projet-incendie.s3.eu-west-3.amazonaws.com/casernes_corses.csv',
+#         sep=',',
+#         encoding='utf8'
+#     )
+
+#     # Nettoyage des coordonnées
+#     df_casernes['latitude'] = df_casernes['latitude'].astype(str).str.replace(',', '.').astype(float)
+#     df_casernes['longitude'] = df_casernes['longitude'].astype(str).str.replace(',', '.').astype(float)
+#     df_casernes = df_casernes.dropna(subset=['latitude', 'longitude'])
+
+#     # Catégorisation des casernes
+#     df_casernes['categorie'] = np.select(
+#         [
+#             df_casernes['nom'].str.contains('centre', case=False, na=False),
+#             df_casernes['nom'].str.contains('base', case=False, na=False),
+#             df_casernes['nom'].str.contains('SSLIA', case=False, na=False),
+#             df_casernes['nom'].str.contains('citerne', case=False, na=False),
+#             df_casernes['nom'].str.contains('borne', case=False, na=False),
+#         ],
+#         [
+#             "Centre d'incendie et de secours",
+#             'Base forestière',
+#             'SSLIA (aérodromes)',
+#             'Citerne',
+#             'Borne incendie'
+#         ],
+#         default='Autre'
+#     )
+
+#     # Dictionnaire d'emojis
+#     emoji_legende = {
+#         "Centre d'incendie et de secours": "🚒",
+#         "Base forestière": "🌲",
+#         "SSLIA (aérodromes)": "✈️",
+#         "Citerne": "💦"
+#     }
+
+#     # Carte centrée sur la Corse
+#     m = folium.Map(location=[42.0396, 9.0129], zoom_start=8)
+
+#     for _, row in df_casernes.iterrows():
+#         emoji = emoji_legende.get(row['categorie'], '❓')
+#         folium.Marker(
+#             location=[row['latitude'], row['longitude']],
+#             popup=f"{emoji} {row['nom']}",
+#             icon=DivIcon(html=f"""<div style="font-size:24px">{emoji}</div>""")
+#         ).add_to(m)
+
+#     # Légende HTML
+#     legend_html = """
+#     {% macro html(this, kwargs) %}
+#     <div style="
+#         position: fixed; 
+#         bottom: 50px; left: 50px; width: 280px; 
+#         background-color: white;
+#         border: 2px solid grey; 
+#         z-index: 9999; 
+#         font-size: 14px;
+#         color: black;
+#         padding: 10px;
+#         border-radius: 10px;
+#         box-shadow: 2px 2px 6px rgba(0,0,0,0.3);
+#     ">
+#     <b>📘 Légende</b><br>
+#     🚒 Centre d'incendie et de secours<br>
+#     🌲 Base forestière<br>
+#     ✈️ SSLIA (aérodromes)<br>
+#     💦 Citerne<br>
+#     </div>
+#     {% endmacro %}
+#     """
+
+#     legend = MacroElement()
+#     legend._template = Template(legend_html)
+
+#     m.get_root().add_child(legend)
+
+#     st.subheader("🗺️ Carte des casernes et équipements de lutte contre les incendies")
+#     st_folium(m, width=1000, height=800)    
 #----------------------------------------------------------------------Page Notre Projet---------------------------------------------------
 if page == "Notre Projet":
     st.title("🔥 Projet Analyse des Incendies 🔥")
@@ -479,7 +480,7 @@ if page == "Notre Projet":
             """)
 #---------------------------------------------------Equipe du projet---------------------------------------------------
     st.subheader("👨‍💻 Équipe du projet")
-    col1, col2, col3, col4 = st.columns(4)
+    col1, col2, col3, col4, col5 = st.columns(5)
     with col1:
         st.image("images/Francois_Minaret.jpg", width=150)
         st.markdown("**Francois Minaret**")
@@ -492,6 +493,9 @@ if page == "Notre Projet":
     with col4:
         st.image("images/Gilles_Akakpo.jpg", width=150)
         st.markdown("**Gilles Akakpo**")
+    with col5:
+        st.image("images/Nathalie_Devogelaere.jpg", width=150)
+        st.markdown("**Nathalie Devogelaere**")
 #---------------------------------------------------Notre Objectif --------------------------------------------------------
   
     st.subheader("🎯 Notre Objectif")
@@ -561,337 +565,337 @@ L’**analyse de survie** (ou **Survival Analysis**) est une méthode statistiqu
 
 #---------------------------------------------------# Page EDA  -----------------------------------------------------------------
 
-if page == "Exploration des données":
-    st.title("🗺️ Visualisation des incendies entre 2006 et 2024")
+# if page == "Exploration des données":
+#     st.title("🗺️ Visualisation des incendies entre 2006 et 2024")
 
-    df = load_data()
-    coords = load_coords()
-    df_merge = load_df_merge()
+#     df = load_data()
+#     coords = load_coords()
+#     df_merge = load_df_merge()
 
-    st.subheader("Aperçu des coordonnées des villes")
+#     st.subheader("Aperçu des coordonnées des villes")
 
-    fig = px.scatter_map(
-        coords, 
-        lat="latitude", 
-        lon="longitude", 
-        hover_name="ville",
-        height=800,
-        zoom=5,
-        map_style="carto-positron",
-        title="Carte interactive des communes (coordonnées)"
-    )
-    st.plotly_chart(fig, use_container_width=True)
+#     fig = px.scatter_map(
+#         coords, 
+#         lat="latitude", 
+#         lon="longitude", 
+#         hover_name="ville",
+#         height=800,
+#         zoom=5,
+#         map_style="carto-positron",
+#         title="Carte interactive des communes (coordonnées)"
+#     )
+#     st.plotly_chart(fig, use_container_width=True)
 
 #---------------------------------------------------# DBSCAN Clustering---------------------------------------------------
-    st.subheader("🔥 Détection des clusters d'incendies avec DBSCAN")
+    # st.subheader("🔥 Détection des clusters d'incendies avec DBSCAN")
 
-    commune_counts = df_merge.groupby(['Nom de la commune', 'latitude', 'longitude']).size().reset_index(name='frequence')
-    df_expanded = commune_counts.loc[commune_counts.index.repeat(commune_counts['frequence'])].reset_index(drop=True)
+    # commune_counts = df_merge.groupby(['Nom de la commune', 'latitude', 'longitude']).size().reset_index(name='frequence')
+    # df_expanded = commune_counts.loc[commune_counts.index.repeat(commune_counts['frequence'])].reset_index(drop=True)
 
-    X = df_expanded[['latitude', 'longitude']]
-    coords_rad = np.radians(X)
-    kms_per_radian = 6371.0088
-    eps_km = 5
-    eps = eps_km / kms_per_radian
+    # X = df_expanded[['latitude', 'longitude']]
+    # coords_rad = np.radians(X)
+    # kms_per_radian = 6371.0088
+    # eps_km = 5
+    # eps = eps_km / kms_per_radian
 
-    db = DBSCAN(eps=eps, min_samples=20, metric='haversine').fit(coords_rad)
-    df_expanded['cluster'] = db.labels_
+    # db = DBSCAN(eps=eps, min_samples=20, metric='haversine').fit(coords_rad)
+    # df_expanded['cluster'] = db.labels_
 
-    clustered_data = df_expanded[df_expanded['cluster'] != -1]
+    # clustered_data = df_expanded[df_expanded['cluster'] != -1]
 
-    fig = px.scatter_map(
-        clustered_data,
-        lat="latitude",
-        lon="longitude",
-        color="cluster",
-        hover_name="Nom de la commune",
-        zoom=5,
-        height=900,
-        title="🔥 Clusters d'incendies en France (2006-2024) détectés par DBSCAN",
-        map_style="carto-positron"
-    )
-    st.plotly_chart(fig, use_container_width=True)
+    # fig = px.scatter_map(
+    #     clustered_data,
+    #     lat="latitude",
+    #     lon="longitude",
+    #     color="cluster",
+    #     hover_name="Nom de la commune",
+    #     zoom=5,
+    #     height=900,
+    #     title="🔥 Clusters d'incendies en France (2006-2024) détectés par DBSCAN",
+    #     map_style="carto-positron"
+    # )
+    # st.plotly_chart(fig, use_container_width=True)
 
 
     #---------------------------------------------------Histogramme mensuel#---------------------------------------------------
-    st.title("Comparaison mensuelle des incendies par année")
-
-    df_temp = df_merge.copy()
-    df_temp['Date'] = pd.to_datetime(df_temp['Date'], errors='coerce')
-    df_temp = df_temp.dropna(subset=['Date'])
-
-    df_temp['mois'] = df_temp['Date'].dt.month
-    df_temp['année'] = df_temp['Date'].dt.year
-
-    mois_abbr = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun',
-                 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
-    df_temp['mois_nom'] = df_temp['mois'].apply(lambda x: mois_abbr[x - 1])
-    df_temp['mois_nom'] = pd.Categorical(df_temp['mois_nom'], categories=mois_abbr, ordered=True)
-
-    df_grouped = df_temp.groupby(['mois_nom', 'année']).size().reset_index(name='nombre_feux')
-
-    fig = px.bar(
-        df_grouped,
-        x='mois_nom',
-        y='nombre_feux',
-        color='année',
-        barmode='group',
-        title='Comparaison mensuelle des incendies par année',
-        height=600,
-        width=1000
-    )
-    st.plotly_chart(fig, use_container_width=True)
-
-    show_footer()
-
-    #--------------------------------------------------- Analyse des causes---------------------------------------------------
-    causes = df_merge['Nature'].value_counts()
-    st.subheader("Répartition des causes d'incendies")
-    fig, ax = plt.subplots(figsize=(8, 6))
-    ax.pie(
-        causes.values,
-        labels=causes.index,
-        autopct='%1.1f%%',
-        startangle=140,
-        shadow=True,
-        explode=[0.05]*len(causes)
-    )
-    ax.set_title("Répartition des causes d'incendies")
-    ax.axis('equal')
-    st.pyplot(fig)
+    # st.title("Comparaison mensuelle des incendies par année")
 
-#---------------------------------------------------- Nombre total d’incendies par année-----------------------------------------
+    # df_temp = df_merge.copy()
+    # df_temp['Date'] = pd.to_datetime(df_temp['Date'], errors='coerce')
+    # df_temp = df_temp.dropna(subset=['Date'])
 
-if page == "Exploration des données":
-    st.title("Analyse des incendies par année 🔥")
+    # df_temp['mois'] = df_temp['Date'].dt.month
+    # df_temp['année'] = df_temp['Date'].dt.year
 
-    # Copie du DataFrame
-    df_temp = df_merge.copy()
+    # mois_abbr = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun',
+    #              'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
+    # df_temp['mois_nom'] = df_temp['mois'].apply(lambda x: mois_abbr[x - 1])
+    # df_temp['mois_nom'] = pd.Categorical(df_temp['mois_nom'], categories=mois_abbr, ordered=True)
 
-    # Conversion de la colonne Date
-    df_temp['Date'] = pd.to_datetime(df_temp['Date'])
-    df_temp['année'] = df_temp['Date'].dt.year
+    # df_grouped = df_temp.groupby(['mois_nom', 'année']).size().reset_index(name='nombre_feux')
 
-    # Regroupement par année uniquement
-    df_grouped = df_temp.groupby('année').size().reset_index(name='nombre_feux')
+    # fig = px.bar(
+    #     df_grouped,
+    #     x='mois_nom',
+    #     y='nombre_feux',
+    #     color='année',
+    #     barmode='group',
+    #     title='Comparaison mensuelle des incendies par année',
+    #     height=600,
+    #     width=1000
+    # )
+    # st.plotly_chart(fig, use_container_width=True)
 
-    # Création du graphique en barres
-    fig = px.bar(
-        df_grouped,
-        x='année',
-        y='nombre_feux',
-        title='Nombre total d’incendies par année',
-        height=600,
-        width=1200,
-        text='nombre_feux'
-    )
+    # show_footer()
 
-    fig.update_xaxes(
-        tickmode='linear',
-        dtick=1  # une année à chaque tick
-    )
+    #--------------------------------------------------- Analyse des causes---------------------------------------------------
+    # causes = df_merge['Nature'].value_counts()
+    # st.subheader("Répartition des causes d'incendies")
+    # fig, ax = plt.subplots(figsize=(8, 6))
+    # ax.pie(
+    #     causes.values,
+    #     labels=causes.index,
+    #     autopct='%1.1f%%',
+    #     startangle=140,
+    #     shadow=True,
+    #     explode=[0.05]*len(causes)
+    # )
+    # ax.set_title("Répartition des causes d'incendies")
+    # ax.axis('equal')
+    # st.pyplot(fig)
 
-    fig.update_layout(
-        xaxis_title='Année',
-        yaxis_title='Nombre de feux',
-        xaxis_tickangle=0
-    )
+#---------------------------------------------------- Nombre total d’incendies par année-----------------------------------------
 
-    st.plotly_chart(fig)
+# if page == "Exploration des données":
+#     st.title("Analyse des incendies par année 🔥")
+
+#     # Copie du DataFrame
+#     df_temp = df_merge.copy()
+
+#     # Conversion de la colonne Date
+#     df_temp['Date'] = pd.to_datetime(df_temp['Date'])
+#     df_temp['année'] = df_temp['Date'].dt.year
+
+#     # Regroupement par année uniquement
+#     df_grouped = df_temp.groupby('année').size().reset_index(name='nombre_feux')
+
+#     # Création du graphique en barres
+#     fig = px.bar(
+#         df_grouped,
+#         x='année',
+#         y='nombre_feux',
+#         title='Nombre total d’incendies par année',
+#         height=600,
+#         width=1200,
+#         text='nombre_feux'
+#     )
+
+#     fig.update_xaxes(
+#         tickmode='linear',
+#         dtick=1  # une année à chaque tick
+#     )
+
+#     fig.update_layout(
+#         xaxis_title='Année',
+#         yaxis_title='Nombre de feux',
+#         xaxis_tickangle=0
+#     )
+
+#     st.plotly_chart(fig)
 #---------------------------------------------------- Page Exploration des données -----------------------------------------
 
-if page == "Exploration des données":
+# if page == "Exploration des données":
 
 #---------------------------------------------------- Les 10 départements avec le plus d’incendies -----------------------------------------
 
-    # Copie du DataFrame
-    df_temp = df_merge.copy()
+    # # Copie du DataFrame
+    # df_temp = df_merge.copy()
 
-    # Regroupement par département
-    df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
+    # # Regroupement par département
+    # df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
 
-    # Classement décroissant et sélection du top 10
-    df_top10 = df_grouped.sort_values(by='nombre_feux', ascending=False).head(10)
+    # # Classement décroissant et sélection du top 10
+    # df_top10 = df_grouped.sort_values(by='nombre_feux', ascending=False).head(10)
 
-    # Graphique en barres
-    fig = px.bar(
-        df_top10,
-        x='Département',
-        y='nombre_feux',
-        title='Les 10 départements avec le plus d’incendies',
-        height=600,
-        width=1000,
-        text='nombre_feux'
-    )
+    # # Graphique en barres
+    # fig = px.bar(
+    #     df_top10,
+    #     x='Département',
+    #     y='nombre_feux',
+    #     title='Les 10 départements avec le plus d’incendies',
+    #     height=600,
+    #     width=1000,
+    #     text='nombre_feux'
+    # )
 
-    # Fond clair
-    fig.update_layout(
-        template='plotly_white',
-        xaxis_title='Département',
-        yaxis_title='Nombre de feux',
-        xaxis_tickangle=-45,
-    )
+    # # Fond clair
+    # fig.update_layout(
+    #     template='plotly_white',
+    #     xaxis_title='Département',
+    #     yaxis_title='Nombre de feux',
+    #     xaxis_tickangle=-45,
+    # )
 
-    # Texte au-dessus des barres
-    fig.update_traces(textposition='outside')
+    # # Texte au-dessus des barres
+    # fig.update_traces(textposition='outside')
 
-    # Affichage dans l'app
-    st.plotly_chart(fig)
+    # # Affichage dans l'app
+    # st.plotly_chart(fig)
 
 
  #---------------------------------------------------- Les 10 départements les plus touchés -----------------------------------------   
 
-if page == "Exploration des données":
+# if page == "Exploration des données":
 
-    # 🔎 Vérification rapide du DataFrame
-    if "Département" not in df_merge.columns:
-        st.error("❌ La colonne 'Département' est absente du DataFrame.")
-    elif df_merge.empty:
-        st.warning("⚠️ Le DataFrame est vide.")
-    else:
-        # ✅ Copie et nettoyage du DataFrame
-        df_temp = df_merge.copy()
-        df_temp = df_temp[df_temp['Département'].notna()]  # Supprime les lignes sans département
+#     # 🔎 Vérification rapide du DataFrame
+#     if "Département" not in df_merge.columns:
+#         st.error("❌ La colonne 'Département' est absente du DataFrame.")
+#     elif df_merge.empty:
+#         st.warning("⚠️ Le DataFrame est vide.")
+#     else:
+#         # ✅ Copie et nettoyage du DataFrame
+#         df_temp = df_merge.copy()
+#         df_temp = df_temp[df_temp['Département'].notna()]  # Supprime les lignes sans département
 
-        # 📊 Regroupement par département
-        df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
+#         # 📊 Regroupement par département
+#         df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
 
-        # 🔢 Total général
-        total_feux = df_grouped['nombre_feux'].sum()
+#         # 🔢 Total général
+#         total_feux = df_grouped['nombre_feux'].sum()
 
-        # 🔝 Top 10 des départements
-        df_top10 = df_grouped.sort_values(by='nombre_feux', ascending=False).head(10)
+#         # 🔝 Top 10 des départements
+#         df_top10 = df_grouped.sort_values(by='nombre_feux', ascending=False).head(10)
 
-        # 📈 Calcul des proportions
-        df_top10['proportion_totale'] = df_top10['nombre_feux'] / total_feux
+#         # 📈 Calcul des proportions
+#         df_top10['proportion_totale'] = df_top10['nombre_feux'] / total_feux
 
-        # 🥧 Création du graphique circulaire
-        fig_pie = px.pie(
-            df_top10,
-            names='Département',
-            values='nombre_feux',
-            title='Les 10 départements les plus touchés (proportion sur le total global)',
-        )
-        fig_pie.update_traces(textinfo='label+percent')
+#         # 🥧 Création du graphique circulaire
+#         fig_pie = px.pie(
+#             df_top10,
+#             names='Département',
+#             values='nombre_feux',
+#             title='Les 10 départements les plus touchés (proportion sur le total global)',
+#         )
+#         fig_pie.update_traces(textinfo='label+percent')
 
-        # 📌 Affichage dans l'app
-        st.plotly_chart(fig_pie)
+#         # 📌 Affichage dans l'app
+#         st.plotly_chart(fig_pie)
 
 #---------------------------------------------------- Carte des feux par département (2006-2024) ---------------------------------------------------------
 
-if page == "Exploration des données":
-    st.subheader("Carte des feux par département (2006-2024)")
-
-    # Copie du dataset
-    df_temp = df_merge.copy()
-
-    # Codes départements formatés
-    df_temp['Département'] = df_temp['Département'].astype(str).str.zfill(2)
-    df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
-
-    # Chargement GeoJSON
-    url_geojson = 'https://raw.githubusercontent.com/gregoiredavid/france-geojson/master/departements-version-simplifiee.geojson'
-    with urllib.request.urlopen(url_geojson) as response:
-        departements_geojson = json.load(response)
-
-    # Carte choroplèthe
-    fig = px.choropleth(
-        df_grouped,
-        geojson=departements_geojson,
-        locations='Département',
-        featureidkey='properties.code',
-        color='nombre_feux',
-        color_continuous_scale='OrRd',
-        title='Total des feux par département (2006-2024)',
-        labels={'nombre_feux': 'Feux'},
-    )
-
-    # Style géographique
-    fig.update_geos(
-        visible=False,
-        lataxis_range=[41, 52],
-        lonaxis_range=[-5.5, 10],
-        showcountries=False,
-        showcoastlines=False,
-        showland=True,
-        landcolor='white',
-        fitbounds="locations"
-    )
-
-    # Mise en page
-    fig.update_layout(
-        template='plotly_white',
-        width=1000,
-        height=700,
-        margin=dict(l=0, r=20, t=40, b=0),
-        coloraxis_colorbar=dict(
-            title="Feux",
-            thickness=15,
-            len=0.4,
-            y=0.5
-        )
-    )
-
-    # Affichage Streamlit
-    st.plotly_chart(fig)
+# if page == "Exploration des données":
+#     st.subheader("Carte des feux par département (2006-2024)")
+
+#     # Copie du dataset
+#     df_temp = df_merge.copy()
+
+#     # Codes départements formatés
+#     df_temp['Département'] = df_temp['Département'].astype(str).str.zfill(2)
+#     df_grouped = df_temp.groupby('Département').size().reset_index(name='nombre_feux')
+
+#     # Chargement GeoJSON
+#     url_geojson = 'https://raw.githubusercontent.com/gregoiredavid/france-geojson/master/departements-version-simplifiee.geojson'
+#     with urllib.request.urlopen(url_geojson) as response:
+#         departements_geojson = json.load(response)
+
+#     # Carte choroplèthe
+#     fig = px.choropleth(
+#         df_grouped,
+#         geojson=departements_geojson,
+#         locations='Département',
+#         featureidkey='properties.code',
+#         color='nombre_feux',
+#         color_continuous_scale='OrRd',
+#         title='Total des feux par département (2006-2024)',
+#         labels={'nombre_feux': 'Feux'},
+#     )
+
+#     # Style géographique
+#     fig.update_geos(
+#         visible=False,
+#         lataxis_range=[41, 52],
+#         lonaxis_range=[-5.5, 10],
+#         showcountries=False,
+#         showcoastlines=False,
+#         showland=True,
+#         landcolor='white',
+#         fitbounds="locations"
+#     )
+
+#     # Mise en page
+#     fig.update_layout(
+#         template='plotly_white',
+#         width=1000,
+#         height=700,
+#         margin=dict(l=0, r=20, t=40, b=0),
+#         coloraxis_colorbar=dict(
+#             title="Feux",
+#             thickness=15,
+#             len=0.4,
+#             y=0.5
+#         )
+#     )
+
+#     # Affichage Streamlit
+#     st.plotly_chart(fig)
 #---------------------------------------------------- Les 10 départements avec le plus d’incendies -----------------------------------------
 # import plotly.graph_objects as go
 
 # -----------------------------------------------------------
 # 🔥 Top-10 des départements par nombre de feux – version GO
 # -----------------------------------------------------------
-if page == "Exploration des données":
-    df_temp = df_merge.copy()
-    df_temp["Département"] = df_temp["Département"].replace(
-        {"2A": "2A/2B", "2B": "2A/2B"}
-    )
-
-    df_count = (
-        df_temp.groupby("Département")
-        .size()
-        .reset_index(name="Nombre de feux")
-        .sort_values("Nombre de feux", ascending=False)
-        .head(10)
-    )
-
-    # ── Barres avec labels (Graph Objects)
-    fig_top10_feux = go.Figure(
-        data=go.Bar(
-            x=df_count["Département"],
-            y=df_count["Nombre de feux"],
-            text=df_count["Nombre de feux"].apply(lambda x: f"{x:,}"),
-            textposition="outside",
-            textfont=dict(size=16, color="#2e2e2e"),  # police foncée
-            marker=dict(
-                color="#627CFF",
-                line=dict(color="black", width=1.5),
-            ),
-        )
-    )
-
-    # ── Mise en page inspirée de ta Fig 1
-    fig_top10_feux.update_layout(
-        title="🔥 Top 10 des départements avec le plus d’incendies",
-        title_font_size=28,
-        template="plotly_white",                     # fond clair + grille
-        plot_bgcolor="rgba(245,248,255,1)",
-        paper_bgcolor="rgba(245,248,255,1)",
-        margin=dict(l=80, r=80, t=110, b=120),
-        font=dict(size=18, color="#2e2e2e"),        # police par défaut foncée
-        xaxis=dict(
-            title="Département",
-            tickangle=-35,
-            tickfont=dict(size=16),
-        ),
-        yaxis=dict(
-            title="Nombre de feux",
-            tickformat=",d",
-            tickfont=dict(size=16),
-        ),
-        bargap=0.05,
-    )
-
-    st.plotly_chart(fig_top10_feux, use_container_width=True)
+# if page == "Exploration des données":
+#     df_temp = df_merge.copy()
+#     df_temp["Département"] = df_temp["Département"].replace(
+#         {"2A": "2A/2B", "2B": "2A/2B"}
+#     )
+
+#     df_count = (
+#         df_temp.groupby("Département")
+#         .size()
+#         .reset_index(name="Nombre de feux")
+#         .sort_values("Nombre de feux", ascending=False)
+#         .head(10)
+#     )
+
+#     # ── Barres avec labels (Graph Objects)
+#     fig_top10_feux = go.Figure(
+#         data=go.Bar(
+#             x=df_count["Département"],
+#             y=df_count["Nombre de feux"],
+#             text=df_count["Nombre de feux"].apply(lambda x: f"{x:,}"),
+#             textposition="outside",
+#             textfont=dict(size=16, color="#2e2e2e"),  # police foncée
+#             marker=dict(
+#                 color="#627CFF",
+#                 line=dict(color="black", width=1.5),
+#             ),
+#         )
+#     )
+
+#     # ── Mise en page inspirée de ta Fig 1
+#     fig_top10_feux.update_layout(
+#         title="🔥 Top 10 des départements avec le plus d’incendies",
+#         title_font_size=28,
+#         template="plotly_white",                     # fond clair + grille
+#         plot_bgcolor="rgba(245,248,255,1)",
+#         paper_bgcolor="rgba(245,248,255,1)",
+#         margin=dict(l=80, r=80, t=110, b=120),
+#         font=dict(size=18, color="#2e2e2e"),        # police par défaut foncée
+#         xaxis=dict(
+#             title="Département",
+#             tickangle=-35,
+#             tickfont=dict(size=16),
+#         ),
+#         yaxis=dict(
+#             title="Nombre de feux",
+#             tickformat=",d",
+#             tickfont=dict(size=16),
+#         ),
+#         bargap=0.05,
+#     )
+
+#     st.plotly_chart(fig_top10_feux, use_container_width=True)
 
 
 #---------------------------------------------------- Page Résultats des modèles -----------------------------------------