first summary for meterological data

prompts/summary_prompt.py

@@ -0,0 +1,25 @@
+""" This file contains prompts for the different LLM """
+
+metrological_data_summary_prompt = """
+    Tu es un expert en météorologie et en analyse climatique. 
+    Ta mission est de fournir une synthèse détaillée de l’évolution des conditions météorologiques d’une région donnée. 
+    Tu exploites trois indicateurs clés : la température, les précipitations et l’irradiance solaire. 
+    Ces indicateurs sont fournis selon le scénario {scenario} parmi les 3 scénarii possibles (optimiste, modéré et pessimiste).
+
+    Voilà les données historiques + forecast:
+     - de la température,
+     - des précipications,
+     - de l'irradiance solaire
+
+    Chaque dataframe contient une partie historique jusqu'à la date {today} et un forecast selon le scénario métérologique {scenario}.
+
+    En te basant sur ces données disponibles, produis une synthèse claire et concise qui met en évidence:
+
+    - Le scénario du changement climatique donné en input.
+    - L’évolution passée et future des températures.
+    - L'évolution de la tendances des précipitations.
+    - Les variations de l’irradiance solaire.
+    avec des pourcentage de variation du futur par rapport aux années passées et en spécifiant les dates
+    Présente ta réponse sous un format structuré avec un résumé des tendances observées et des perspectives climatiques selon le scénario choisi."
+    
+"""

summary_test.py

@@ -0,0 +1,66 @@
+import pandas as pd
+import pandas as pd
+import numpy as np
+
+from utils.summary import get_summary
+# Générer des dates sur 5 ans (historique) + 5 ans (prévision)
+dates_past = pd.date_range(start="2023-01-01", periods=36, freq='ME')  # 3 ans d'historique
+dates_future = pd.date_range(start="2023-01-01", periods=60, freq='ME')  # 5 ans de prévisions
+
+# Température: Tendance à la hausse selon le scénario
+def generate_temperature_trend(scenario):
+    base_temp = 10 + 10 * np.sin(np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future)))
+    if scenario == "optimiste":
+        trend = base_temp + np.linspace(0, 1, len(base_temp))  # Faible réchauffement
+    elif scenario == "modéré":
+        trend = base_temp + np.linspace(0, 2, len(base_temp))  # Réchauffement moyen
+    else:  # pessimiste
+        trend = base_temp + np.linspace(0, 3, len(base_temp))  # Fort réchauffement
+    return trend
+
+# Précipitations: Variation selon le scénario
+def generate_precipitation_trend(scenario):
+    base_rain = 50 + 20 * np.cos(np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future)))
+    if scenario == "optimiste":
+        trend = base_rain - np.linspace(0, 5, len(base_rain))  # Légère baisse
+    elif scenario == "modéré":
+        trend = base_rain - np.linspace(0, 10, len(base_rain))  # Baisse moyenne
+    else:  # pessimiste
+        trend = base_rain - np.linspace(0, 15, len(base_rain))  # Forte baisse
+    return trend
+
+# Irradiance: Augmentation progressive
+def generate_irradiance_trend(scenario):
+    base_irradiance = 200 + 50 * np.sin(np.linspace(0, 2 * np.pi, len(dates_past) + len(dates_future)))
+    if scenario == "optimiste":
+        trend = base_irradiance + np.linspace(0, 5, len(base_irradiance))  # Faible augmentation
+    elif scenario == "modéré":
+        trend = base_irradiance + np.linspace(0, 10, len(base_irradiance))  # Augmentation modérée
+    else:  # pessimiste
+        trend = base_irradiance + np.linspace(0, 20, len(base_irradiance))  # Forte augmentation
+    return trend
+
+# Choix du scénario
+scenario = "modéré"  # Changer entre "optimiste", "modéré" et "pessimiste"
+
+# Créer les DataFrames
+temperature_df = pd.DataFrame({"Date": dates_past.tolist() + dates_future.tolist(), 
+                               "Température (°C)": generate_temperature_trend(scenario)})
+
+rain_df = pd.DataFrame({"Date": dates_past.tolist() + dates_future.tolist(), 
+                        "Précipitations (mm)": generate_precipitation_trend(scenario)})
+
+irradiation_df = pd.DataFrame({"Date": dates_past.tolist() + dates_future.tolist(), 
+                               "Irradiance (W/m²)": generate_irradiance_trend(scenario)})
+
+# Afficher un extrait
+print("Température (extrait) :")
+print(temperature_df.head(3))
+print("\nPrécipitations (extrait) :")
+print(rain_df.head(3))
+print("\nIrradiance (extrait) :")
+print(irradiation_df.head(3))
+
+
+summary = get_summary(scenario, temperature_df, rain_df, irradiation_df)
+print(summary)

utils/summary.py

@@ -0,0 +1,46 @@
+import os
+import pandas as pd
+from datetime import datetime
+from dotenv import load_dotenv
+from langchain_core.output_parsers import StrOutputParser
+from langchain.prompts import ChatPromptTemplate
+from langchain.chat_models import ChatOpenAI
+from prompts.summary_prompt import metrological_data_summary_prompt
+
+load_dotenv()
+
+
+def get_summary(scenario: str, temperature_df: pd.DataFrame, rain_df: pd.DataFrame, irradiance_df: pd.DataFrame) -> str:
+
+    today = datetime.today().strftime("%Y/%m/%d")
+
+    temp_data = temperature_df.head(len(temperature_df)).to_string(index=False)
+    rain_data = rain_df.head(len(rain_df)).to_string(index=False)
+    irradiance_data = irradiance_df.head(len(irradiance_df)).to_string(index=False)
+
+    llm = ChatOpenAI(
+        model="gpt-4o",
+        temperature=0,
+        max_tokens=None,
+        timeout=None,
+        max_retries=2,
+        api_key=os.environ.get("OPENAI_API_KEY")
+        )
+    output_parser = StrOutputParser()
+    prompt = ChatPromptTemplate.from_messages(
+        [
+            ("system", metrological_data_summary_prompt),
+            ("human", "Je veux un résumé de ces prévisions métérologique: les données de temperature {temp_data}, les données de précipitation {rain_data}, les données de radiance solaire {irradiance_data}")
+        ]
+    )
+    chain = prompt | llm | output_parser
+    
+    response = chain.invoke({
+        "scenario": scenario,
+        "today": today,
+        "temp_data": temp_data,
+        "rain_data": rain_data,
+        "irradiance_data": irradiance_data
+    })
+
+    return output_parser.parse(response)