app modif buffer5

app.py

@@ -2,7 +2,7 @@ import streamlit as st
 import pandas as pd
 import plotly.express as px
 
-# === CONFIG STREAMLIT ===
+
 st.set_page_config(page_title="Getaround – Dashboard Analyse", layout="wide")
 
 st.title("🚗 Dashboard Analyse – Getaround")
@@ -15,16 +15,16 @@ Nous allons explorer :
 4. La conclusion business
 """)
 
-# === CHARGEMENT DES DONNÉES ===
+
 df = pd.read_csv("data/get_around_delay_analysis.csv")
 df_pricing = pd.read_csv("data/pricing_clean.csv")
 
 loc_moyenne = df_pricing["rental_price_per_day"].mean()
 
-# === SECTION 1 : EDA SUR LES RETARDS ===
+# EDA SUR LES RETARDS 
 st.header("📊 Analyse des retards et annulations")
 
-# Pie chart état
+
 fig_state = px.pie(df, names="state", title="Répartition par état des locations")
 st.plotly_chart(fig_state, use_container_width=True)
 
@@ -36,7 +36,7 @@ st.markdown("""
 La proportion est légèrement plus élevée via **Connect** que via Mobile.
 """)
 
-# Histogramme retards
+
 fig_delay = px.histogram(
     df.query("-150 <= delay_at_checkout_in_minutes <= 150"),
     x="delay_at_checkout_in_minutes",
@@ -52,7 +52,7 @@ st.markdown("""
 Mais certains cas extrêmes dépassent plusieurs jours.
 """)
 
-# === SECTION 2 : ANALYSE DES ANNULATIONS ===
+# ANALYSE DES ANNULATIONS 
 st.header("❌ Analyse des annulations liées aux retards")
 
 mask = df['previous_ended_rental_id'] > 0
@@ -62,17 +62,15 @@ annulation = (df_nan["state"] == "canceled").sum()
 st.metric("La location moyenne d'un véhicule par jour est de ", df_pricing['rental_price_per_day'].mean())
 st.metric("La perte du aux annulations s'élève a :", (annulation * loc_moyenne).round(2),"$")
 
-# 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
+    left_on="previous_ended_rental_id",   
     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"]
 ]
@@ -85,12 +83,10 @@ st.markdown("""
 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
 ]
@@ -103,7 +99,7 @@ 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)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus30["delay_at_checkout_in_minutes"].mean()},
     {"Buffer": "-60 min", "Conflits": (len(conflict_minus60)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus60["delay_at_checkout_in_minutes"].mean()},
@@ -138,7 +134,6 @@ st.plotly_chart(fig_type, use_container_width=True)
 
 st.markdown(""" ANALYSE SUR MOBILE """)
 
-# Dans le cas de l'application mobile
 mask = merged["checkin_type_canceled"] == "mobile"
 merged_mob = merged[mask]
 conflict_strict1= merged_mob[
@@ -147,12 +142,10 @@ conflict_strict1= merged_mob[
 st.metric("Conflits stricts :", len(conflict_strict1))
 st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict1["delay_at_checkout_in_minutes"].mean().round(2))
 
-# Cas "conflit -30min"
 conflict_1minus30 = merged_mob[
     merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 30
 ]
 
-# Cas "conflit -60min"
 conflict_1minus60 = merged_mob[
     merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 60
 ]
@@ -165,7 +158,7 @@ conflict_1minus180 = merged_mob[
     merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 180
 ]
 
-# Création d'une liste de résultats
+
 results = [
     {"Buffer": "-30 min", "Conflits": (len(conflict_1minus30)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus30["delay_at_checkout_in_minutes"].mean()},
     {"Buffer": "-60 min", "Conflits": (len(conflict_1minus60)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus60["delay_at_checkout_in_minutes"].mean()},
@@ -177,7 +170,7 @@ df_conflicts_mob['lost_value'] = df_conflicts_mob["Conflits"]*loc_moyenne
 st.dataframe(df_conflicts_mob)
 
 st.markdown(""" ANALYSE SUR CONNECT """)
-# Dans le cas de l'utilisation de connect
+
 mask = merged["checkin_type_canceled"] == "connect"
 merged_connect = merged[mask]
 conflict_strict2 = merged_connect[
@@ -186,12 +179,12 @@ conflict_strict2 = merged_connect[
 st.metric("Conflits stricts :", len(conflict_strict2))
 st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict2["delay_at_checkout_in_minutes"].mean().round(2))
 
-# Cas "conflit -30min"
+
 conflict_2minus30 = merged_connect[
     merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 30
 ]
 
-# Cas "conflit -60min"
+
 conflict_2minus60 = merged_connect[
     merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 60
 ]
@@ -204,7 +197,7 @@ conflict_2minus180 = merged_connect[
     merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 180
 ]
 
-# Création d'une liste de résultats
+
 results = [
     {"Buffer": "-30 min", "Conflits": (len(conflict_2minus30)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus30["delay_at_checkout_in_minutes"].mean()},
     {"Buffer": "-60 min", "Conflits": (len(conflict_2minus60)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus60["delay_at_checkout_in_minutes"].mean()},
@@ -224,10 +217,10 @@ Les deux méthodes sont exposées aux retards, mais Connect encaisse plus de cas
 Un buffer opérationnel de 30 minutes permettrai un gain rapide sans trop affecté le CA global.
 """ )
 
-# === SECTION 3 : IMPACT DES BUFFERS ===
+# IMPACT DES BUFFERS 
 st.header("⏳ Simulation de buffer entre locations")
-st.markdown(""" Afin d'analyser l'impact d'un buffer nous prenons cette fois ci que les location qui a eu lieu et filtrons toutes les location ayant débuté dans les 30 minutes qui suit la précéddentes.
-Ces locations sont celle qui risquent d'etre impacté """)
+st.markdown(""" Afin d'analyser l'impact d'un buffer nous prenons cette fois ci que les locations qui ont eu lieu et filtrons toutes les locations ayant débutées dans les 30 minutes qui suit la précéddentes.
+Ces locations sont celle qui risquent d'etre impactées par ce delai """)
 
 loc_moyenne = df_pricing["rental_price_per_day"].mean()
 CA_total = (df['state'] == 'ended').sum() * loc_moyenne
@@ -251,7 +244,7 @@ st.dataframe(df_results)
 
 st.markdown(""" MOBILE UNIQUEMENT""")
 
-df_valid_mob = df[(df["state"] == "ended") & (df["checkin_type_canceled"] == "mobile")].copy()
+df_valid_mob = df[(df["state"] == "ended") & (df["checkin_type"] == "mobile")].copy()
 df_valid_mob["ecart"] = df_valid_mob["time_delta_with_previous_rental_in_minutes"] - df_valid_mob["delay_at_checkout_in_minutes"]
 
 def count_blocked(df, buffer):
@@ -269,7 +262,7 @@ st.dataframe(df_results_mob)
 
 st.markdown(""" CONNECT UNIQUEMENT""")
 
-df_valid_con = df[(df["state"] == "ended") & (df["checkin_type_canceled"] == "connect")].copy()
+df_valid_con = df[(df["state"] == "ended") & (df["checkin_type"] == "connect")].copy()
 df_valid_con["ecart"] = df_valid_con["time_delta_with_previous_rental_in_minutes"] - df_valid_con["delay_at_checkout_in_minutes"]
 
 def count_blocked(df, buffer):
@@ -284,33 +277,61 @@ for b in [30, 60, 90, 180]:
 df_results_con = pd.DataFrame(results3)
 st.dataframe(df_results_con)
 
-
-
 st.markdown("""
 👉 Un buffer **de 30 min bloque ~340 locations** → pertes supérieures aux gains.  
 👉 Un buffer de **180 min réduit beaucoup les annulations** mais fait perdre trop de CA.  
 **Conclusion : un buffer global n’est pas viable.**
 """)
 
-# === SECTION 4 : ANALYSE DU PRICING ===
+# ANALYSE DU PRICING 
 st.header("💰 Analyse des prix de location")
 
 fig_price = px.histogram(df_pricing, x="rental_price_per_day", nbins=50,
                          title="Distribution des prix de location par jour")
 st.plotly_chart(fig_price, use_container_width=True)
 
+
+fig_car_typ = px.box(df_pricing, x="car_type", y="rental_price_per_day",
+             title="Prix par type de véhicule")
+st.plotly_chart(fig_car_typ, use_container_width=True)
+
+
 st.markdown("""
 👉 Le marché est concentré autour de **100–140 $/jour**.  
 Les **SUV, coupés, cabriolets** sont plus chers.  
 Les **citadines** et **hatchbacks** moins chers.
 """)
 
-# Boxplot prix par fuel
-fig_fuel = px.box(df_pricing, x="fuel", y="rental_price_per_day",
-                  title="Prix selon le type de carburant")
-st.plotly_chart(fig_fuel, use_container_width=True)
+st.markdown(""" **Indice de correlation** """)
+df_corr = df_pricing.copy()
+bool_cols = df_corr.select_dtypes(include="bool").columns
+df_corr[bool_cols] = df_corr[bool_cols].astype(int)
+
+num_df = df_corr.select_dtypes(include=["int64", "float64"])
+
+corr = num_df.corr()
+
+fig_cor = px.imshow(
+    corr,
+    text_auto=True,
+    color_continuous_scale="RdBu_r",
+    title="Matrice de corrélation",
+    height=800,
+    width=1000
+)
+st.plotly_chart(fig_cor, use_container_width=True)
+
+st.markdown(""" + corrélation prix ↔ puissance moteur
+
+– corrélation prix ↔ kilométrage
+
+Transmission automatique = + valeur
+
+Présence de GPS = + valeur ajoutée """)
+
+
 
-# === SECTION 5 : CONCLUSION BUSINESS ===
+# CONCLUSION BUSINESS
 st.header("📌 Conclusion business")
 
 st.markdown("""