Update feature_handler.py

feature_handler.py

@@ -3,9 +3,6 @@ import numpy as np
 from config import CITIES_COORDS
 
 def apply_feature_engineering(df_input):
-    """
-    Version Experte : Sécurise les calculs temporels par ville et nettoie les types de données.
-    """
     df = df_input.copy()
     
     # 1. Nettoyage des types (Évite l'erreur TypeError str vs int)
@@ -69,8 +66,9 @@ def apply_feature_engineering(df_input):
     df['temp_anomaly'] = df['temperature_2m_mean'] - df['temp_roll30']
     df['precip_cumul7'] = grouped['precipitation_sum'].transform(lambda x: x.rolling(7, min_periods=1).sum())
     df['precip_cumul3'] = grouped['precipitation_sum'].transform(lambda x: x.rolling(3, min_periods=1).sum())
-
-    # 6. Weather Categorie
+    def get_region_name(city):
+        return CITIES_COORDS.get(city, {}).get('region', 'Littoral')
+    df['region'] = df['city'].apply(get_region_name)
     def categorize_weather(code):
         if code == 0: return 'Ciel dégagé'
         elif code in [1, 2]: return 'Nuageux'
@@ -79,9 +77,6 @@ def apply_feature_engineering(df_input):
     
     df['weather_categorie'] = df['weather_code'].apply(categorize_weather)
     df['weather_encoded'] = df['weather_code'].astype(float)
-
-    # 7. Nettoyage final des NaNs générés par les shifts (Lags) au sein de chaque ville
-    # On remplit les trous par les valeurs suivantes/précédentes de la MÊME ville
     cols_to_fix = [c for c in df.columns if 'lag' in c or 'roll' in c]
     for col in cols_to_fix:
         df[col] = df.groupby('city')[col].ffill().bfill()