Spaces:
Sleeping
Sleeping
File size: 4,408 Bytes
0ab0788 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 | import plotly.express as px
import streamlit as st
import polars as pl
import pandas as pd
def plot_histogramme(df: pl.DataFrame, var, stat, stat_key, unit, height):
df = df.to_pandas()
# Définir l’ordre complet des mois
month_order = ['Janvier', 'Février', 'Mars', 'Avril', 'Mai', 'Juin',
'Juillet', 'Août', 'Septembre', 'Octobre', 'Novembre', 'Décembre']
if stat_key == 'month':
# Copie de sécurité
df = df.copy()
# Convertir le numéro du mois (1-12) en label texte
df[var] = df[var].astype(int)
df[var] = df[var].map({i+1: month_order[i] for i in range(12)})
# Calculer la répartition (pourcentage) par mois
counts = df[var].value_counts() # nb de lignes par mois présent
counts = counts.reindex(month_order, fill_value=0) # forcer l’existence de tous les mois, avec 0 pour les absents
# Convertir en pourcentage
total = counts.sum()
freq_percent = (counts / total * 100) if total > 0 else counts
# Construire un nouveau DF pour Plotly
hist_df = pd.DataFrame({var: freq_percent.index, 'Pourcentage': freq_percent.values})
# Plot en barres
fig = px.bar(
hist_df,
x=var,
y='Pourcentage'
)
fig.update_layout(
bargap=0.1, # Espacement entre barres
xaxis_title="", # Pas de titre horizontal
yaxis_title="Pourcentage de stations",
height=height,
xaxis=dict(
categoryorder='array',
categoryarray=month_order
)
)
else:
# Cas normal : on garde px.histogram
fig = px.histogram(
df,
x=var,
nbins=50,
histnorm='percent'
)
fig.update_layout(
bargap=0.1,
xaxis_title=f"{stat} ({unit})" if unit else f"{stat}",
yaxis_title="Pourcentage de stations",
height=height
)
return fig
def plot_histogramme_comparatif(df_observed: pl.DataFrame, df_modelised: pl.DataFrame, var, stat, stat_key, unit, height):
df_observed = df_observed.to_pandas()
df_modelised = df_modelised.to_pandas()
month_order = ['Janvier', 'Février', 'Mars', 'Avril', 'Mai', 'Juin',
'Juillet', 'Août', 'Septembre', 'Octobre', 'Novembre', 'Décembre']
if stat_key == 'month':
def prepare_df(df, label):
df = df.copy()
df[var] = df[var].astype(int)
df[var] = df[var].map({i + 1: month_order[i] for i in range(12)})
counts = df[var].value_counts()
counts = counts.reindex(month_order, fill_value=0)
total = counts.sum()
freq_percent = (counts / total * 100) if total > 0 else counts
return pd.DataFrame({
var: freq_percent.index,
'Pourcentage': freq_percent.values,
'Source': label
})
df_obs = prepare_df(df_observed, "Observé")
df_mod = prepare_df(df_modelised, "Modélisé")
hist_df = pd.concat([df_obs, df_mod], ignore_index=True)
fig = px.bar(
hist_df,
x=var,
y='Pourcentage',
color='Source',
barmode='group' # Affichage côte à côte
)
fig.update_layout(
bargap=0.15,
xaxis_title="",
yaxis_title="Pourcentage de stations",
height=height,
xaxis=dict(
categoryorder='array',
categoryarray=month_order
)
)
else:
# Affichage standard pour les autres stats
df_observed['Source'] = "Observé"
df_modelised['Source'] = "Modélisé"
df_all = pd.concat([df_observed, df_modelised], ignore_index=True)
fig = px.histogram(
df_all,
x=var,
color='Source',
nbins=50,
histnorm='percent',
barmode='overlay' # ou 'group' si tu veux les voir côte à côte
)
fig.update_layout(
bargap=0.1,
xaxis_title=f"{stat} ({unit})" if unit else f"{stat}",
yaxis_title="Pourcentage de stations",
height=height
)
return fig
|