ajout 5 fichier

données + projet

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+youtube_channels_2025.csv filter=lfs diff=lfs merge=lfs -text

README.md

@@ -1,12 +1,141 @@
 ---
-title: Yt Trend Analyzer
-emoji: 📈
-colorFrom: gray
+title: YouTube Trends 2025
+emoji: 📊
+colorFrom: red
 colorTo: blue
-sdk: static
+sdk: streamlit
+sdk_version: 1.29.0
+app_file: app.py
 pinned: false
-license: mit
-short_description: Analyse des chaînes Youtube en Tendance
+license: apache-2.0
+short_description: Analyse des tendances YouTube 2025
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# 📊 YouTube Trends Analyzer 2025
+
+Cette application Streamlit permet d'analyser les tendances YouTube de 2025 à travers diverses métriques et visualisations interactives basées sur les chaînes qui ont été en tendance.
+
+## 🚀 Fonctionnalités
+
+### 🎛️ Filtrage avancé
+- **Par catégorie** : Film, Musique, Gaming, Sport, etc.
+- **Par période** : Sélection de plages de dates
+- **Par chaîne YouTube** : Analyse de chaînes spécifiques
+- **Par jour de la semaine** : Comprendre les patterns temporels
+
+### 📈 Indicateurs clés
+- Nombre total de vidéos analysées
+- Vues moyennes par vidéo
+- Taux de likes moyen (likes/vues)
+- Durée moyenne des vidéos
+- Ratio vues/abonnés
+
+### 🔍 Visualisations interactives
+- **Histogrammes** : Distribution des vues et durées
+- **Graphiques en barres** : Performance par catégorie et jour
+- **Nuage de points** : Corrélation vues/engagement avec taille par abonnés
+- **Séries temporelles** : Évolution des métriques dans le temps
+- **Analyse horaire** : Meilleurs moments de publication
+
+### 📊 Tableaux de données
+- **Top 10 vidéos** les plus vues avec métriques détaillées
+- **Top chaînes** avec statistiques agrégées
+- **Export CSV** des données filtrées
+
+## 📁 Structure des données
+
+### youtube_channels_2025.csv
+Contient les informations sur toutes les vidéos 2025 des chaînes qui ont été en tendance :
+- `video_id` : Identifiant unique de la vidéo
+- `Title` : Titre de la vidéo
+- `Published_date` : Date de publication
+- `Views` : Nombre de vues
+- `Likes` : Nombre de likes
+- `Comments` : Nombre de commentaires
+- `Channel_name` : Nom de la chaîne
+- `Channel_subscribers` : Nombre d'abonnés de la chaîne
+- `category_id` : ID de la catégorie
+- `duration_seconds` : Durée en secondes
+- `like_rate` : Taux de likes (likes/vues)
+- `comment_rate` : Taux de commentaires (commentaires/vues)
+- `views_per_subscriber` : Ratio vues/abonnés
+
+### category.csv
+Fichier de correspondance des catégories :
+- `ID` : Identifiant numérique de la catégorie
+- `Category name` : Nom de la catégorie (Film & Animation, Gaming, Music, etc.)
+
+## 🛠️ Installation et déploiement
+
+### Déploiement sur Hugging Face Spaces
+
+1. **Créer un nouveau Space**
+   - Connectez-vous à [Hugging Face](https://huggingface.co/)
+   - Cliquez sur "Create new Space"
+   - Sélectionnez "Streamlit" comme SDK
+   - Nommez votre space (ex: `youtube-trends-2025`)
+
+2. **Uploader les fichiers**
+   - `app.py` : Application principale
+   - `requirements.txt` : Dépendances Python
+   - `youtube_channels_2025.csv` : Vos données YouTube
+   - `category.csv` : Correspondance des catégories
+   - `README.md` : Documentation
+
+3. **Configuration automatique**
+   - L'application se déploie automatiquement
+   - Accessible via l'URL de votre Space
+
+### Installation locale
+
+```bash
+pip install -r requirements.txt
+streamlit run app.py
+```
+
+## 📊 Métriques et analyses disponibles
+
+### Performance globale
+- Distribution des vues et engagement
+- Comparaison entre catégories
+- Patterns temporels (jours, heures)
+
+### Analyse par chaîne
+- Performances individuelles
+- Comparaison des stratégies de contenu
+- Efficacité du ratio abonnés/vues
+
+### Tendances temporelles
+- Évolution des métriques dans le temps
+- Meilleurs moments de publication
+- Saisonnalité du contenu
+
+## 🎯 Cas d'usage
+
+- **Créateurs de contenu** : Optimiser leurs stratégies de publication
+- **Marketeurs** : Comprendre les tendances du marché YouTube
+- **Analystes** : Étudier les patterns de consommation vidéo
+- **Chercheurs** : Analyser l'écosystème YouTube
+
+## 🔧 Personnalisation
+
+L'application est facilement personnalisable :
+- Ajouter de nouvelles métriques dans les calculs
+- Créer de nouveaux types de visualisations
+- Modifier les filtres selon vos besoins
+- Adapter les couleurs et le style
+
+## 📝 Notes techniques
+
+- **Cache des données** : Utilisation de `@st.cache_data` pour optimiser les performances
+- **Gestion d'erreurs** : Traitement robuste des données manquantes
+- **Interface responsive** : Adaptation automatique à différentes tailles d'écran
+- **Export de données** : Téléchargement CSV des données filtrées
+
+## 🤝 Contribution
+
+N'hésitez pas à fork ce projet et à proposer des améliorations !
+
+## 📄 Licence
+
+Ce projet est disponible sous licence Apache 2.0.

app.py

@@ -0,0 +1,342 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import plotly.express as px
+import plotly.graph_objects as go
+from datetime import datetime
+import re
+
+# Configuration de la page
+st.set_page_config(
+    page_title="Analyse des tendances YouTube 2025",
+    page_icon="📊",
+    layout="wide"
+)
+
+# Fonction pour charger les données
+@st.cache_data
+def load_data():
+    # Chargement des données
+    df = pd.read_csv('youtube_channels_2025.csv')
+    categories = pd.read_csv('category.csv', sep=';')
+    
+    # Conversion des types de données
+    numeric_cols = ['Views', 'Likes', 'Comments', 'Channel_subscribers', 'Channel_views', 
+                   'Channel_total_videos', 'duration_seconds', 'like_rate', 'comment_rate', 
+                   'views_per_subscriber', 'vues_par_jour']
+    
+    for col in numeric_cols:
+        if col in df.columns:
+            df[col] = pd.to_numeric(df[col], errors='coerce')
+    
+    # Conversion de la date de publication
+    df['Published_date'] = pd.to_datetime(df['Published_date'], errors='coerce')
+    
+    # Extraction du jour de la semaine et de l'heure
+    df['day_of_week'] = df['Published_date'].dt.day_name()
+    df['hour_of_publication'] = df['Published_date'].dt.hour
+    
+    # Conversion de la durée en minutes
+    df['duration_minutes'] = df['duration_seconds'] / 60
+    
+    # Ajout des noms de catégories
+    df = df.merge(categories, left_on='category_id', right_on='ID', how='left')
+    
+    # Nettoyage des données manquantes
+    df = df.dropna(subset=['Views', 'Likes', 'Category name'])
+    
+    return df
+
+# Fonction pour créer un histogramme
+def create_histogram(df, column, title, color='#1f77b4', nbins=20):
+    fig = px.histogram(df, x=column, nbins=nbins, title=title,
+                      color_discrete_sequence=[color])
+    fig.update_layout(bargap=0.1)
+    return fig
+
+# Fonction pour créer un graphique en barres
+def create_bar_chart(df, x_col, y_col, title, color='#1f77b4'):
+    fig = px.bar(df, x=x_col, y=y_col, title=title, 
+                color_discrete_sequence=[color])
+    fig.update_xaxis(tickangle=45)
+    return fig
+
+# Fonction pour créer un nuage de points
+def create_scatter_plot(df, x_col, y_col, size_col, hover_data, title, color_col=None):
+    fig = px.scatter(df, x=x_col, y=y_col, size=size_col, 
+                     hover_data=hover_data, title=title,
+                     color=color_col if color_col else None)
+    return fig
+
+# Fonction pour créer une série temporelle
+def create_time_series(df, date_col, value_col, title):
+    daily_stats = df.groupby(df[date_col].dt.date)[value_col].mean().reset_index()
+    fig = px.line(daily_stats, x=date_col, y=value_col, title=title)
+    return fig
+
+# Chargement des données
+try:
+    df = load_data()
+except FileNotFoundError as e:
+    st.error(f"Erreur lors du chargement des fichiers : {e}")
+    st.error("Assurez-vous que les fichiers 'youtube_channels_2025.csv' et 'category.csv' sont présents.")
+    st.stop()
+
+# Sidebar pour les filtres
+st.sidebar.title("🎛️ Filtres")
+
+# Filtre par catégorie
+if 'Category name' in df.columns:
+    categories = sorted(df['Category name'].dropna().unique())
+    selected_categories = st.sidebar.multiselect(
+        "📂 Sélectionner les catégories",
+        categories,
+        default=categories[:5] if len(categories) >= 5 else categories
+    )
+else:
+    selected_categories = []
+
+# Filtre par date de publication
+if 'Published_date' in df.columns:
+    min_date = df['Published_date'].min().date()
+    max_date = df['Published_date'].max().date()
+    date_range = st.sidebar.date_input(
+        "📅 Période de publication",
+        [min_date, max_date],
+        min_value=min_date,
+        max_value=max_date
+    )
+else:
+    date_range = []
+
+# Filtre par chaîne YouTube
+if 'Channel_name' in df.columns:
+    channels = sorted(df['Channel_name'].dropna().unique())
+    selected_channels = st.sidebar.multiselect(
+        "📺 Sélectionner les chaînes",
+        channels,
+        default=[]
+    )
+else:
+    selected_channels = []
+
+# Filtre par jour de la semaine
+if 'day_of_week' in df.columns:
+    days = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
+    selected_days = st.sidebar.multiselect(
+        "📆 Jours de la semaine",
+        days,
+        default=days
+    )
+else:
+    selected_days = []
+
+# Application des filtres
+filtered_df = df.copy()
+
+if selected_categories and 'Category name' in df.columns:
+    filtered_df = filtered_df[filtered_df['Category name'].isin(selected_categories)]
+
+if len(date_range) == 2 and 'Published_date' in df.columns:
+    start_date, end_date = date_range
+    filtered_df = filtered_df[
+        (filtered_df['Published_date'].dt.date >= start_date) &
+        (filtered_df['Published_date'].dt.date <= end_date)
+    ]
+
+if selected_channels and 'Channel_name' in df.columns:
+    filtered_df = filtered_df[filtered_df['Channel_name'].isin(selected_channels)]
+
+if selected_days and 'day_of_week' in df.columns:
+    filtered_df = filtered_df[filtered_df['day_of_week'].isin(selected_days)]
+
+# Titre principal
+st.title("📊 Analyse des tendances YouTube 2025")
+st.markdown("*Explorez les données des chaînes YouTube qui ont été en tendance*")
+
+# Métriques principales
+st.header("📈 Indicateurs clés")
+col1, col2, col3, col4, col5 = st.columns(5)
+
+with col1:
+    st.metric("Nombre de vidéos", f"{len(filtered_df):,}")
+    
+with col2:
+    if 'Views' in filtered_df.columns:
+        avg_views = filtered_df['Views'].mean()
+        st.metric("Vues moyennes", f"{avg_views:,.0f}")
+    
+with col3:
+    if 'like_rate' in filtered_df.columns:
+        avg_like_rate = filtered_df['like_rate'].mean() * 100
+        st.metric("Taux de likes moyen", f"{avg_like_rate:.2f}%")
+    
+with col4:
+    if 'duration_minutes' in filtered_df.columns:
+        avg_duration = filtered_df['duration_minutes'].mean()
+        st.metric("Durée moyenne", f"{avg_duration:.1f} min")
+
+with col5:
+    if 'views_per_subscriber' in filtered_df.columns:
+        avg_vps = filtered_df['views_per_subscriber'].mean()
+        st.metric("Vues/Abonnés", f"{avg_vps:.3f}")
+
+# Visualisations principales
+st.header("🔍 Visualisations")
+
+# Première ligne de graphiques
+col1, col2 = st.columns(2)
+
+with col1:
+    if 'Views' in filtered_df.columns:
+        views_hist = create_histogram(filtered_df, 'Views', 'Distribution des vues', color='#FF0000', nbins=30)
+        st.plotly_chart(views_hist, use_container_width=True)
+
+with col2:
+    if 'duration_minutes' in filtered_df.columns:
+        duration_hist = create_histogram(filtered_df, 'duration_minutes', 'Distribution des durées (minutes)', color='#00BFD6', nbins=25)
+        st.plotly_chart(duration_hist, use_container_width=True)
+
+# Deuxième ligne de graphiques
+col1, col2 = st.columns(2)
+
+with col1:
+    if 'Category name' in filtered_df.columns and 'like_rate' in filtered_df.columns:
+        category_engagement = filtered_df.groupby('Category name').agg({
+            'like_rate': 'mean',
+            'comment_rate': 'mean' if 'comment_rate' in filtered_df.columns else 'count'
+        }).reset_index()
+        
+        category_engagement['like_rate'] = category_engagement['like_rate'] * 100
+        
+        likes_by_category = create_bar_chart(
+            category_engagement, 
+            'Category name', 
+            'like_rate', 
+            'Taux de likes par catégorie (%)',
+            color='#FF9900'
+        )
+        st.plotly_chart(likes_by_category, use_container_width=True)
+
+with col2:
+    if 'day_of_week' in filtered_df.columns and 'Views' in filtered_df.columns:
+        daily_stats = filtered_df.groupby('day_of_week')['Views'].mean().reset_index()
+        # Réorganiser les jours dans l'ordre
+        day_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
+        daily_stats['day_of_week'] = pd.Categorical(daily_stats['day_of_week'], categories=day_order, ordered=True)
+        daily_stats = daily_stats.sort_values('day_of_week')
+        
+        daily_views = create_bar_chart(
+            daily_stats, 
+            'day_of_week', 
+            'Views', 
+            'Vues moyennes par jour de la semaine',
+            color='#00CC96'
+        )
+        st.plotly_chart(daily_views, use_container_width=True)
+
+# Graphique de dispersion
+if all(col in filtered_df.columns for col in ['Views', 'like_rate', 'Channel_subscribers']):
+    scatter_plot = create_scatter_plot(
+        filtered_df,
+        'Views',
+        'like_rate',
+        'Channel_subscribers',
+        ['Title', 'Channel_name', 'Category name'],
+        'Relation entre vues et taux de likes (taille = nb d\'abonnés)',
+        'Category name'
+    )
+    st.plotly_chart(scatter_plot, use_container_width=True)
+
+# Analyse temporelle
+if 'Published_date' in filtered_df.columns and 'Views' in filtered_df.columns:
+    st.header("📅 Analyse temporelle")
+    
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        time_series = create_time_series(filtered_df, 'Published_date', 'Views', 'Évolution des vues moyennes dans le temps')
+        st.plotly_chart(time_series, use_container_width=True)
+    
+    with col2:
+        if 'hour_of_publication' in filtered_df.columns:
+            hourly_stats = filtered_df.groupby('hour_of_publication')['Views'].mean().reset_index()
+            hourly_chart = create_bar_chart(
+                hourly_stats,
+                'hour_of_publication',
+                'Views',
+                'Vues moyennes par heure de publication',
+                color='#9467bd'
+            )
+            st.plotly_chart(hourly_chart, use_container_width=True)
+
+# Top vidéos
+st.header("🏆 Top 10 des vidéos les plus vues")
+if 'Views' in filtered_df.columns:
+    top_videos = filtered_df.nlargest(10, 'Views')[
+        ['Title', 'Channel_name', 'Category name', 'Views', 'Likes', 'Comments', 'duration_minutes']
+    ].copy()
+    
+    # Renommer les colonnes pour l'affichage
+    top_videos = top_videos.rename(columns={
+        'Title': 'Titre',
+        'Channel_name': 'Chaîne',
+        'Category name': 'Catégorie',
+        'Views': 'Vues',
+        'Likes': 'Likes',
+        'Comments': 'Commentaires',
+        'duration_minutes': 'Durée (min)'
+    })
+    
+    st.dataframe(top_videos, use_container_width=True)
+
+# Statistiques par chaîne
+st.header("📺 Top chaînes")
+if all(col in filtered_df.columns for col in ['Channel_name', 'Views', 'Channel_subscribers']):
+    channel_stats = filtered_df.groupby('Channel_name').agg({
+        'Views': ['count', 'mean', 'sum'],
+        'Channel_subscribers': 'first',
+        'like_rate': 'mean',
+        'views_per_subscriber': 'mean'
+    }).round(2)
+    
+    # Aplatir les colonnes multi-index
+    channel_stats.columns = ['Nb_vidéos', 'Vues_moyennes', 'Vues_totales', 'Abonnés', 'Taux_likes_moyen', 'Vues_par_abonné']
+    channel_stats = channel_stats.reset_index()
+    channel_stats = channel_stats.sort_values('Vues_totales', ascending=False).head(10)
+    
+    st.dataframe(channel_stats, use_container_width=True)
+
+# Export des données
+st.header("📥 Télécharger les données filtrées")
+csv = filtered_df.to_csv(index=False).encode('utf-8')
+st.download_button(
+    label="Télécharger en CSV",
+    data=csv,
+    file_name="youtube_trends_filtered_2025.csv",
+    mime="text/csv",
+)
+
+# Informations sur l'application
+st.sidebar.markdown("---")
+st.sidebar.info("""
+**À propos de cette application**
+
+Cette application analyse les tendances YouTube de 2025 basées sur les chaînes qui ont été en tendance.
+
+**Fonctionnalités :**
+- Filtrage par catégorie, date, chaîne et jour
+- Indicateurs clés de performance
+- Visualisations interactives
+- Analyse temporelle
+- Export des données
+
+Créé avec Streamlit et Plotly.
+""")
+
+# Statistiques globales en bas de page
+with st.expander("📊 Statistiques globales du dataset"):
+    st.write(f"**Nombre total de vidéos :** {len(df):,}")
+    st.write(f"**Nombre de chaînes uniques :** {df['Channel_name'].nunique() if 'Channel_name' in df.columns else 'N/A'}")
+    st.write(f"**Nombre de catégories :** {df['Category name'].nunique() if 'Category name' in df.columns else 'N/A'}")
+    st.write(f"**Période couverte :** {df['Published_date'].min().strftime('%d/%m/%Y') if 'Published_date' in df.columns else 'N/A'} - {df['Published_date'].max().strftime('%d/%m/%Y') if 'Published_date' in df.columns else 'N/A'}")

category.csv

@@ -0,0 +1,16 @@
+ID;Category name
+1;Film & Animation
+2;Autos & Vehicles
+10;Music
+15;Pets & Animals
+17;Sports
+19;Travel & Events
+20;Gaming
+22;People & Blogs
+23;Comedy
+24;Entertainment
+25;News & Politics
+26;Howto & Style
+27;Education
+28;Science & Technology
+29;Nonprofits & Activism

requirements.txt

@@ -0,0 +1,4 @@
+streamlit==1.29.0
+pandas==2.1.4
+numpy==1.26.2
+plotly==5.18.0

youtube_channels_2025.csv

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a36b0a503e5ee599fa13d2ba689508471e6a06333b74f1ab5ba2260f4ed433ba
+size 22927587