app.py

import streamlit as st
import pandas as pd
from pycaret.classification import *
import plotly.express as px
import seaborn as sns
import matplotlib.pyplot as plt
import os

st.set_page_config(page_title="Analyse de Risque", layout="wide")

# Chargement automatique des données
@st.cache_data
def load_data():
    return pd.read_csv("high.csv")

data = load_data()

# Style CSS personnalisé conservant la couleur par défaut de Streamlit
st.markdown("""
    <style>
    .main {background-color: #f5f5f5;}
    .block-container {padding-top: 2rem; padding-bottom: 2rem;}
    h1, h2, h3 {color: #2c3e50;}
    .stButton>button {
        width: 100%;
        margin-bottom: 0.5rem;
        text-align: left !important;
        justify-content: flex-start;
    }
    .stDownloadButton>button {
        width: 100%;
        margin-top: 0.5rem;
    }
    </style>
""", unsafe_allow_html=True)

st.title("CC MACHINE LEARNING DANS LE CLOUD")
st.subheader("\U0001F4CA Application d'Analyse de Risque de mortalité: Utilisant PyCaret")

# Sidebar avec navigation
st.sidebar.image("keyce_logo.jpeg", width=200, caption="Keyce informatique et IA")

if "page" not in st.session_state:
    st.session_state.page = "\U0001F3E0 Accueil"

if st.sidebar.button("\U0001F3E0 Accueil"):
    st.session_state.page = "\U0001F3E0 Accueil"
if st.sidebar.button("\U0001F4CA Analyse exploratoire"):
    st.session_state.page = "\U0001F4CA Analyse exploratoire"
if st.sidebar.button("\U0001F6E0️ Prétraitement"):
    st.session_state.page = "\U0001F6E0️ Prétraitement"
if st.sidebar.button("⚖️ Comparaison des modèles"):
    st.session_state.page = "⚖️ Comparaison des modèles"
if st.sidebar.button("\U0001F4C8 Évaluation du modèle"):
    st.session_state.page = "\U0001F4C8 Évaluation du modèle"
if st.sidebar.button("\U0001F4BE Export du modèle"):
    st.session_state.page = "\U0001F4BE Export du modèle"

page = st.session_state.page

# Vérification de la colonne cible
if "Risk" not in data.columns:
    st.error("La colonne cible 'Risk' est absente du fichier.")
else:
    if  page == "\U0001F3E0 Accueil":
        st.header("Objectif de l'analyse")
        st.markdown("""
        Cette application vise à analyser et classifier les données en fonction du **niveau de risque (`Risk`) de mortalite**.
        Elle est conçue pour aider à identifier rapidement les facteurs influents et évaluer les performances
        de différents modèles de Machine Learning sur un jeu de données.
        """)
        st.header("Aperçu des données")
        st.write(data.head())
        tab_l, tab_c = st.tabs(["Nombre de lignes", "Nombre de colonnes(features)"])
        with tab_l:
            st.metric("Nombre de lignes",data.shape[0])
        with tab_c:
            st.metric("Nombre de colonnes(features)",data.shape[1])

    if page == "\U0001F4CA Analyse exploratoire":
        st.header("Analyse exploratoire")
        tab_desc, tab_dist, tab_hist, tab_box, tab_corr = st.tabs([
            "Statistiques descriptives", "Distribution de la cible",
            "Histogrammes", "Boxplots par classe de risque", "Corrélations"])

        with tab_desc:
            st.subheader("Statistiques descriptives")
            st.write(data.describe(include='all'))

        with tab_dist:
            st.subheader("Distribution de la variable cible")
            fig = px.histogram(data, x='Risk', title="Distribution de la variable cible", color='Risk', color_discrete_sequence=px.colors.qualitative.Set1)
            st.plotly_chart(fig, use_container_width=True)

        with tab_hist:
            st.subheader("Histogrammes des variables numériques")
            num_cols = data.select_dtypes(include='number').columns.tolist()
            hist_col = st.selectbox("Choisir une colonne:", num_cols, key="hist_col")
            if hist_col:
                fig = px.histogram(data, x=hist_col, title=f"Distribution de {hist_col}", color='Risk', barmode='overlay', color_discrete_sequence=px.colors.qualitative.Set2)
                st.plotly_chart(fig, use_container_width=True)

        with tab_box:
            st.subheader("Boxplots par classe de risque")
            box_col = st.selectbox("Choisir une colonne:", num_cols, key="box_col")
            if box_col:
                fig = px.box(data, x="Risk", y=box_col, title=f"Répartition de {box_col} selon le risque", color="Risk", color_discrete_sequence=px.colors.qualitative.Set3)
                st.plotly_chart(fig, use_container_width=True)

        with tab_corr:
            st.subheader("Carte de corrélation des variables numériques")
            corr = data[num_cols].corr()
            fig, ax = plt.subplots(figsize=(10, 6))
            sns.heatmap(corr, annot=True, fmt=".2f", cmap='coolwarm', ax=ax)
            st.pyplot(fig)

    if page == "\U0001F6E0️ Prétraitement":
        st.header("Prétraitement automatique avec PyCaret")
        with st.spinner("Initialisation en cours..."):
            clf_setup = setup(data=data, target='Risk', session_id=123, verbose=False)
            setup_df = pull()
        st.write("Configuration PyCaret :")
        st.dataframe(setup_df)

    if page == "⚖️ Comparaison des modèles":
        st.header("Comparaison des modèles")
        with st.spinner("Comparaison en cours..."):
            best_model = compare_models()
            compare_df = pull()
        st.write("Résultats de la comparaison :")
        st.dataframe(compare_df)
        st.session_state["best_model"] = best_model

    if page == "\U0001F4C8 Évaluation du modèle":
        st.header("4. Évaluation du modèle")
        if "best_model" in st.session_state:
            final_model = finalize_model(st.session_state["best_model"])
            st.session_state["final_model"] = final_model

            tab_feat, tab_conf, tab_roc, tab_pred = st.tabs([
                "Importances des variables", "Matrice de confusion", "Courbe ROC", "Prédictions"])

            with tab_feat:
                st.subheader("Importances des variables")
                try:
                    plot_model(final_model, plot='feature', save=True)
                    st.image("Feature Importance.png", width=600)
                    os.remove("Feature Importance.png")
                except Exception as e:
                    st.error(f"Erreur lors de l'affichage : {e}")

            with tab_conf:
                st.subheader("Matrice de confusion")
                try:
                    plot_model(final_model, plot='confusion_matrix', save=True)
                    st.image("Confusion Matrix.png", width=500)
                    os.remove("Confusion Matrix.png")
                except Exception as e:
                    st.error(f"Erreur lors de l'affichage : {e}")

            with tab_roc:
                st.subheader("Courbe ROC")
                try:
                    plot_model(final_model, plot='auc', save=True)
                    st.image("AUC.png", width=500)
                    os.remove("AUC.png")
                except Exception as e:
                    st.error(f"Erreur lors de l'affichage : {e}")

            with tab_pred:
                st.subheader("Prédictions sur les données")
                predictions = predict_model(final_model, data=data)
                st.write(predictions[['Risk', 'prediction_label', 'prediction_score']])
        else:
            st.warning("Veuillez d'abord comparer les modèles.")

    if page == "\U0001F4BE Export du modèle":
        st.header("5. Export du modèle")
        if "final_model" in st.session_state:
            save_model(st.session_state["final_model"], 'best_risk_model')
            with open('best_risk_model.pkl', 'rb') as f:
                st.download_button("🔹 Télécharger le modèle PyCaret", f, file_name="best_risk_model.pkl")
        else:
            st.warning("Veuillez d'abord évaluer un modèle.")