Update app.py

app.py

@@ -152,17 +152,35 @@ if df is not None and X is not None:
                 st.warning("⚠️ Aucune variable disponible pour l'analyse. Veuillez ne pas tout exclure.")
                 st.stop()
             
-            preprocess = ColumnTransformer(transformers=[
-                ("num", StandardScaler(), num_cols),
-                ("cat", OneHotEncoder(drop="first", handle_unknown="ignore", sparse_output=False), cat_cols)
-            ])
+            # Construction du préprocesseur seulement avec les colonnes qui existent
+            transformers = []
+            if num_cols:
+                transformers.append(("num", StandardScaler(), num_cols))
+            if cat_cols:
+                transformers.append(("cat", OneHotEncoder(drop="first", handle_unknown="ignore", sparse_output=False), cat_cols))
+            
+            if not transformers:
+                st.warning("⚠️ Aucune colonne à traiter.")
+                st.stop()
+            
+            preprocess = ColumnTransformer(transformers=transformers)
             
             X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE, random_state=RANDOM_STATE)
+            
+            # Vérification qu'il y a assez de données pour le split
+            if len(X_train) == 0 or len(X_test) == 0:
+                st.error("❌ Pas assez de données pour créer les ensembles d'entraînement et de test.")
+                st.info(f"Données disponibles : {len(X)} lignes. Minimum requis : 2 lignes.")
+                st.stop()
+            
             X_train_proc = preprocess.fit_transform(X_train)
             
             # Vérification que les données transformées ne sont pas vides
             if X_train_proc.shape[0] == 0 or X_train_proc.shape[1] == 0:
-                st.error("❌ Erreur : Les données transformées sont vides. Vérifiez votre fichier CSV.")
+                st.error("❌ Erreur : Les données transformées sont vides.")
+                st.info(f"Shape après transformation : {X_train_proc.shape}")
+                st.info(f"Variables numériques : {num_cols}")
+                st.info(f"Variables catégorielles : {cat_cols}")
                 st.stop()
             
             feature_names = preprocess.get_feature_names_out()