app modif buffer

app.py

@@ -26,6 +26,9 @@ st.header("📊 Analyse des retards et annulations")
 fig_state = px.pie(df, names="state", title="Répartition par état des locations")
 st.plotly_chart(fig_state, use_container_width=True)
 
+annulation = (df["state"] == "canceled").sum()
+st.metric("Nombre total d'annulations", annulation)
+
 st.markdown("""
 👉 Environ **15 % des transactions sont annulées**.  
 La proportion est légèrement plus élevée via **Connect** que via Mobile.
@@ -50,15 +53,69 @@ Mais certains cas extrêmes dépassent plusieurs jours.
 # === SECTION 2 : ANALYSE DES ANNULATIONS ===
 st.header("❌ Analyse des annulations liées aux retards")
 
-annulation = (df["state"] == "canceled").sum()
-st.metric("Nombre total d'annulations", annulation)
+mask = df['previous_ended_rental_id'] > 0
+df_nan = df[mask]
+st.metric("Le nombre d'annulations du au retard du véhicule liées à un location précendente est de", (df_nan["state"] == "canceled").sum())
+
+# On crée un dataframe locations annulées
+canceled = df[df["state"] == "canceled"][["rental_id", "car_id", "previous_ended_rental_id", "checkin_type","time_delta_with_previous_rental_in_minutes"]]
+
+# On rattache la location annulée à la précédente
+merged = canceled.merge(
+    df[["rental_id", "car_id", "delay_at_checkout_in_minutes", "checkin_type"]],
+    left_on="previous_ended_rental_id",   # clé : location précédente
+    right_on="rental_id",                 
+    suffixes=("_canceled", "_previous")
+)
+# Regardons les conflits direct c'est à dire que la restitution est supérieur au delay entre location prévu
+conflict_strict = merged[
+    merged["delay_at_checkout_in_minutes"] > merged["time_delta_with_previous_rental_in_minutes"]
+]
+st.metric("Conflits stricts :", len(conflict_strict))
+st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict["delay_at_checkout_in_minutes"].mean().round(2))
 
 st.markdown("""
 👉 Parmi les **229 annulations liées à une location précédente**,  
-seules **37** sont dues à un **retard supérieur à l’heure prévue**.  
+**37** sont dues à un **retard allant au delà de l'heure de début de la prochaine location.  
 Ces retards sont très longs (~4h15 en moyenne).
 """)
 
+# Cas "conflit -30min"
+conflict_minus30 = merged[
+    merged["delay_at_checkout_in_minutes"] > merged["time_delta_with_previous_rental_in_minutes"] - 30
+]
+
+# Cas "conflit -60min"
+conflict_minus60 = merged[
+    merged["delay_at_checkout_in_minutes"] > merged["time_delta_with_previous_rental_in_minutes"] - 60
+]
+
+conflict_minus90 = merged[
+    merged["delay_at_checkout_in_minutes"] > merged["time_delta_with_previous_rental_in_minutes"] - 90
+]
+
+conflict_minus180 = merged[
+    merged["delay_at_checkout_in_minutes"] > merged["time_delta_with_previous_rental_in_minutes"] - 180
+]
+
+# Création d'une liste de résultats
+results = [
+    {"Buffer": "-30 min", "Conflits": len(conflict_minus30), "Moyenne retard (min)": conflict_minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": len(conflict_minus60), "Moyenne retard (min)": conflict_minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": len(conflict_minus90), "Moyenne retard (min)": conflict_minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": len(conflict_minus180), "Moyenne retard (min)": conflict_minus180["delay_at_checkout_in_minutes"].mean()},
+]
+df_conflicts = pd.DataFrame(results)
+
+st.dataframe(df_conflicts)
+
+st.markdown("""Si on ajoute un buffer de 30 minutes, on détecte 10 annulations supplémentaires : ces cas correspondent à des locations rendues trop proches de la suivante (<30 min de marge).
+Avec un buffer de 60 minutes, seulement 3 cas en plus → ce sont donc des situations rares mais critiques.
+En élargissant à 90 minutes, on ajoute encore 7 cas.""")
+
+
+
+
 # === SECTION 3 : IMPACT DES BUFFERS ===
 st.header("⏳ Simulation de buffer entre locations")