Upload 3 files

app.py

@@ -0,0 +1,361 @@
+import streamlit as st
+from streamlit_option_menu import option_menu
+import pandas as pd
+import pickle
+import lime
+import lime.lime_tabular
+import streamlit.components.v1 as components
+from PIL import Image
+import seaborn as sns
+import matplotlib.pyplot as plt
+from datetime import datetime
+
+# 1=sidebar menu, 2=horizontal menu, 3=horizontal menu w/ custom menu
+EXAMPLE_NO = 3
+st.set_page_config(layout='wide')
+st.markdown("""
+        <style>
+               .block-container {
+                    padding-top: 4rem;
+                    padding-bottom: 0rem;
+                    padding-left: 4rem;
+                    padding-right: 4rem;
+                }
+        </style>
+        """, unsafe_allow_html=True)
+
+def streamlit_menu(example=1):
+    if example == 1:
+        # 1. as sidebar menu
+        with st.sidebar:
+            selected = option_menu(
+                menu_title="Main Menu",  # required
+                options=["Acceuil", "Statistique", "Prédiction", "Suivi"],  # required
+                icons=["house", "book", "envelope", "clipboard-data"],  # optional
+                menu_icon="cast",  # optional
+                default_index=0,  # optional
+            )
+        return selected
+
+    if example == 2:
+        # 2. horizontal menu w/o custom style
+        selected = option_menu(
+            menu_title=None,  # required
+            options=["Acceuil", "Statistique", "Prédiction", "Suivi"],  # required
+            icons=["house", "bar-chart", "activity", "clipboard"],  # optional
+            menu_icon="cast",  # optional
+            default_index=0,  # optional
+            orientation="horizontal",
+        )
+        return selected
+
+    if example == 3:
+        # 2. horizontal menu with custom style
+        selected = option_menu(
+            menu_title=None,  # required
+            options=["Acceuil", "Statistique", "Prédiction", "Suivi"],  # required
+            icons=["house", "bar-chart", "activity", "clipboard"],  # optional
+            menu_icon="cast",  # optional
+            default_index=0,  # optional
+            orientation="horizontal",
+            styles={
+                "container": {"padding": "0!important", "background-color": "#fafafa"},
+                "icon": {"color": "orange", "font-size": "25px"},
+                "nav-link": {
+                    "font-size": "25px",
+                    "text-align": "left",
+                    "margin": "0px",
+                    "--hover-color": "#eee",
+                },
+                "nav-link-selected": {"background-color": "skyblue"},
+            },
+        )
+        return selected
+
+
+selected = streamlit_menu(example=EXAMPLE_NO)
+
+if selected == "Prédiction":
+    # st.title(f"You have selected {selected}")
+    # Load your trained model
+    with open('model.pkl', 'rb') as file:
+        model = pickle.load(file)
+
+    obesity_mapping = {
+        0: 'Normal',
+        1: 'Surpoid\Obése'
+    }
+    # Define the input features for the user to input
+    def user_input_features():
+        age = st.number_input('Age:',min_value=8, max_value=19, value=19, step=1, format="%d")    
+        classe = st.radio('Classe_', ('Primaire','Secondaire'))
+        Zone = st.radio('zone', ('Rurale', 'Urbaine'))
+        Voler = st.radio('Voler', ('Oui', 'Non'))
+        Diversité  = st.radio('Diversité', ('Mauvaise', 'Bonne'))
+        Region = st.selectbox(
+            'Region de  ', 
+            ('Nord_ouest' ,'Sud_ouest', 'Ouest')
+        )
+        Source_eau=st.selectbox(
+            'Provenence  ', 
+            ('Camwater','Eau_de_surface','forage','Puits','Eau_minérale')
+        )
+        Sexe = st.radio('Genre', ('F', 'M'))
+        
+
+        Zone = 1 if Zone == 'Rurale' else 0
+        classe = 1 if classe == 'Primaire' else 0
+        Diversité = 1 if Diversité == 'Mauvaise' else 0
+        Region = ['Nord_ouest' ,'Sud_ouest', 'Ouest'].index(Region)
+        Source_eau=['Camwater','Eau_de_surface','forage','Puits','Eau_minérale'].index(Source_eau)
+        sex_f = 1 if Sexe == 'F' else 0
+        sex_m = 1 if Sexe == 'M' else 0
+
+        data = {
+            'Region': Region,
+            'Zone': Zone,
+            'Classe': classe,
+            'Age': age,
+            'Diversité': Diversité,
+            'Voler': Voler,
+            'Source_eau':Source_eau,
+            'Genre_F': sex_f,
+            'Genre_M': sex_m
+        }
+        features = pd.DataFrame(data, index=[0])
+        return features
+
+    # st.title('Obesity  App')
+
+    # Display the input fields
+    input_df = user_input_features()
+    # Convertir toutes les colonnes non numériques en numérique si possible
+    input_df = input_df.apply(pd.to_numeric, errors='coerce')
+
+# Remplacer les NaN par une valeur arbitraire (par exemple 0) si nécessaire
+    input_df = input_df.fillna(0)
+
+    # Initialiser LIME
+    explainer = lime.lime_tabular.LimeTabularExplainer(
+        training_data=input_df.values,  # Entraînement sur la base des données d'entrée
+        feature_names=input_df.columns, 
+        class_names=[obesity_mapping[0], obesity_mapping[1]], 
+        mode='classification'
+    )
+
+    # Predict button
+    if st.button('Predict'):
+        # Make a prediction
+        prediction = model.predict(input_df)
+        prediction_proba = model.predict_proba(input_df)[0]
+
+        data = {
+            'Statut nutritionnel': [obesity_mapping[i] for i in range(len(prediction_proba))],
+            'Probabilité': prediction_proba
+        }
+
+        # Create a dataframe to display the results
+        result_df = pd.DataFrame(data)
+
+        # Transpose the dataframe to have obesity types as columns and add a row header
+        result_df = result_df.T
+        result_df.columns = result_df.iloc[0]
+        result_df = result_df.drop(result_df.index[0])
+        result_df.index = ['Probability']
+
+        # Display the results in a table with proper formatting
+        st.table(result_df.style.format("{:.4f}"))
+        # Générer l'explication LIME pour l'individu
+        # exp = explainer.explain_instance(input_df.values[0], model.predict_proba, num_features=5)
+
+        # # Afficher les explications dans Streamlit
+        # st.subheader('Explication LIME')
+        # exp.show_in_notebook(show_table=True, show_all=False)
+        # st.write(exp.as_list())
+        # Générer l'explication LIME pour l'individu
+        exp = explainer.explain_instance(input_df.values[0], model.predict_proba, num_features=4)
+
+        # Récupérer l'explication LIME sous forme HTML
+        explanation_html = exp.as_html()
+
+        # Afficher l'explication LIME dans Streamlit
+        st.subheader('Explication LIME')
+        
+        # Utiliser Streamlit pour afficher du HTML
+        components.html(explanation_html, height=800)  # Ajuster la hauteur selon le contenu
+
+
+
+if selected == "Acceuil":
+    avant_propos = """
+<div style="background-color: white; padding: 20px; border-radius: 10px; 
+            display: flex; justify-content: center; align-items: center; 
+            width: 800px; height: auto; margin: auto; flex-direction: column; 
+            box-shadow: 0px 0px 10px rgba(0, 0, 0, 0.1);">
+    <h2 style="color: blue; text-align: center; font-size: 24px;">Avant-propos</h2>
+    <p style="color: blue; text-align: center; font-size: 16px;">
+    L'obésité est l'une des principales préoccupations de santé publique à travers le monde, avec des répercussions notables sur la qualité de vie et les coûts des soins de santé. 
+    Dans un contexte où les maladies chroniques liées à l'obésité, telles que le diabète et les maladies cardiovasculaires, continuent de croître, il est impératif de développer des outils capables de prédire et de prévenir cette condition.
+    </p>
+    <p style="color: blue; text-align: center; font-size: 16px;">
+    L'application que nous présentons ici repose sur les technologies modernes de <strong>machine learning</strong> pour prédire le risque d'obésité à partir de divers facteurs liés au mode de vie, 
+    aux habitudes alimentaires et aux caractéristiques individuelles. Cette solution, développée à l'aide de <strong>Streamlit</strong>, permet non seulement d'offrir une interface intuitive et accessible, 
+    mais également d'analyser rapidement et précisément les données des utilisateurs afin d'anticiper les risques associés au surpoids.
+    </p>
+    <p style="color: blue; text-align: center; font-size: 16px;">
+    L'objectif principal de cette application est de fournir une aide à la décision pour les professionnels de santé, les chercheurs, et même les utilisateurs individuels 
+    qui souhaitent comprendre et gérer leur risque personnel. En quelques clics, les utilisateurs peuvent explorer les facteurs influents et recevoir des prévisions basées sur des algorithmes avancés d'apprentissage automatique.
+    </p>
+    <p style="color: blue; text-align: center; font-size: 16px;">
+    Cette application  permet aussi de faire un suivi personnalisé sur l'indice de masse corporelle, precisement de 
+    son statut nutritionnel.
+    </p>
+</div>
+"""
+
+    # Afficher le texte stylisé en bleu et centré sur un fond blanc
+    st.markdown(avant_propos, unsafe_allow_html=True)
+    # Ajouter un bouton qui redirige vers un site externe
+    url = "https://www.who.int/fr/news-room/fact-sheets/detail/obesity-and-overweight"  # Remplacez par l'URL souhaitée
+    if st.button("pour plus d'informations"):
+        st.write(f"[Cliquez ici pour visiter le site]({url})")
+if selected == "Statistique":
+    # Ouvrir l'image avec Pillow
+    #image = Image.open("az.JPEG")
+
+    # Redimensionner l'image (largeur, hauteur)
+    #image = image.resize((300, 200))  # Par exemple, 300x200 pixels
+
+    # Afficher l'image redimensionnée
+    #st.image(image, caption="Image redimensionnée", use_column_width=False)
+    # Titre de l'application
+    st.title("Visualisation des données avec Seaborn et Pandas")
+
+    # Charger le fichier CSV
+    uploaded_file = st.file_uploader("Choisissez un fichier", type=["csv", "xlsx", "json"])
+
+    if uploaded_file is not None:
+        # Lecture du fichier CSV
+        file_extension = uploaded_file.name.split('.')[-1]
+        if file_extension == 'csv':
+        # Lecture du fichier CSV
+            df = pd.read_csv(uploaded_file)
+        elif file_extension == 'xlsx':
+        # Lecture du fichier Excel
+            df = pd.read_excel(uploaded_file)
+        elif file_extension == 'json':
+        # Lecture du fichier JSON
+            df = pd.read_json(uploaded_file)
+        else:
+            st.error("Format de fichier non supporté!")
+    
+
+        # Afficher le dataframe
+        st.write("Aperçu du dataset :")
+        st.write(df.head())
+
+        # Afficher les statistiques descriptives
+        st.write("Statistiques descriptives :")
+        st.write(df.describe())
+
+        # Sélection des variables pour les visualisations
+        numerical_columns = df.select_dtypes(include=['float64', 'int64']).columns.tolist()
+        categorical_columns = df.select_dtypes(include=['object', 'category']).columns.tolist()
+
+        # Distribution d'une variable
+        st.subheader("Distribution d'une variable numérique")
+        selected_column = st.selectbox("Choisissez une variable numérique", numerical_columns)
+        if st.button("Afficher la distribution"):
+            fig, ax = plt.subplots(figsize=(5, 6))
+            sns.histplot(df[selected_column], kde=True, ax=ax)
+            st.pyplot(fig)
+
+        # Scatter plot
+        st.subheader("Scatter Plot entre deux variables numériques")
+        x_axis = st.selectbox("Choisissez la variable pour l'axe X", numerical_columns)
+        y_axis = st.selectbox("Choisissez la variable pour l'axe Y", numerical_columns, key='scatter')
+        if st.button("Afficher le scatter plot"):
+            fig, ax = plt.subplots(figsize=(8, 4))
+            sns.scatterplot(x=df[x_axis], y=df[y_axis], ax=ax)
+            st.pyplot(fig)
+
+        # Boxplot
+        st.subheader("Boxplot d'une variable numérique par rapport à une variable catégorielle")
+        selected_categorical = st.selectbox("Choisissez une variable catégorielle", categorical_columns)
+        selected_numerical = st.selectbox("Choisissez une variable numérique", numerical_columns, key='boxplot')
+        if st.button("Afficher le boxplot"):
+            fig, ax = plt.subplots(figsize=(8, 4))
+            sns.boxplot(x=df[selected_categorical], y=df[selected_numerical], ax=ax)
+            st.pyplot(fig) 
+    
+if selected == "Suivi":
+    # Charger ou initialiser les données de suivi
+    def load_data():
+        try:
+            data = pd.read_csv('imc_data.csv')
+        except FileNotFoundError:
+            data = pd.DataFrame(columns=['Date', 'Weight', 'Height', 'BMI', 'Status'])
+        return data
+
+    def save_data(data):
+        data.to_csv('imc_data.csv', index=False)
+
+# Calculer l'IMC et le statut nutritionnel
+    def calculate_bmi(weight, height):
+        return weight / (height ** 2)
+
+    def get_nutritional_status(bmi):
+        if bmi < 18.5:
+            return "Insuffisance pondérale"
+        elif 18.5 <= bmi < 25:
+            return "Poids normal"
+        elif 25 <= bmi < 30:
+            return "Surpoids"
+        else:
+            return "Obésité"
+
+# Interface utilisateur Streamlit
+    st.title("Suivi de l'IMC et du Statut Nutritionnel")
+
+# Collecte des données utilisateur
+    weight = st.number_input("Poids (en kg)", min_value=30.0, max_value=200.0, value=70.0)
+    height = st.number_input("Taille (en mètres)", min_value=1.0, max_value=2.5, value=1.75)
+
+# Calculer l'IMC et le statut nutritionnel
+    if height > 0:
+        bmi = calculate_bmi(weight, height)
+        status = get_nutritional_status(bmi)
+        st.write(f"Votre IMC est : {bmi:.2f}")
+        st.write(f"Statut nutritionnel : {status}")
+
+# Charger et mettre à jour les données de suivi
+        data = load_data()
+        if st.button("Enregistrer vos données"):
+            new_entry = pd.DataFrame({
+    'Date': [datetime.now().strftime("%Y-%m-%d %H:%M:%S")],
+    'Weight': [weight],
+    'Height': [height],
+    'BMI': [bmi],
+    'Status': [status]
+        })
+            data = pd.concat([data, new_entry], ignore_index=True)
+            save_data(data)
+            st.success("Vos données ont été enregistrées avec succès !")
+
+# Afficher l'évolution de l'IMC
+        if not data.empty:
+            st.subheader("Évolution de votre IMC")
+            data['Date'] = pd.to_datetime(data['Date'])
+            plt.figure(figsize=(10, 6))
+            plt.plot(data['Date'], data['BMI'], marker='o')
+            plt.title("Évolution de l'IMC")
+            plt.xlabel("Date")
+            plt.ylabel("IMC")
+            plt.grid(True)
+            st.pyplot(plt)
+
+# Afficher l'historique des données soumises
+        st.subheader("Historique des données soumises")
+        st.dataframe(data[['Date', 'Weight', 'Height', 'BMI', 'Status']])
+    else:
+        st.warning("Veuillez entrer une taille valide pour calculer l'IMC.")

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:28aa471b6ae23de5abe249cfe72e5bfe8240d72e942feeacb56980d1aed7020c
+size 335533

requirements.txt.txt

@@ -0,0 +1,8 @@
+streamlit==1.25.0
+streamlit-option-menu==0.3.2
+pandas==2.1.1
+pickle5==0.0.12
+lime==0.2.0.1
+Pillow==9.2.0
+seaborn==0.12.2
+matplotlib==3.7.1