import streamlit as st import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler import time # Configuration de la page : cette commande doit être exécutée en premier st.set_page_config(page_title="PowerPump Dashboard", layout="wide") # Fonction pour charger un modèle existant (à adapter selon ton besoin) def load_model(): # Création d'un modèle simple pour la démonstration. model = RandomForestClassifier(n_estimators=100, random_state=42) return model # Fonction de pré-traitement des données def preprocess_data(temperature, humidity, water_level, N, P, K): data = np.array([[temperature, humidity, water_level, N, P, K]]) scaler = StandardScaler() scaled_data = scaler.fit_transform(data) return scaled_data # Prédiction avec le modèle def make_prediction(model, data): prediction = model.predict(data) return prediction[0] # Charger un dataset fictif @st.cache_data def load_dataset(): data = pd.DataFrame({ "Temperature": np.random.randint(20, 50, 200), "Humidity": np.random.randint(30, 80, 200), "Water_Level": np.random.randint(50, 100, 200), "N": np.random.randint(50, 300, 200), "P": np.random.randint(50, 300, 200), "K": np.random.randint(50, 300, 200), "Fan_Actuator_OFF": np.random.choice([0, 1], 200), "Watering_Plant_Pump_ON": np.random.choice([0, 1], 200), "WaterPumpActuator_OFF": np.random.choice([0, 1], 200), }) return data # Charger le dataset dataset = load_dataset() # Sidebar pour la navigation st.sidebar.title("Navigation") menu = st.sidebar.radio("Choisissez une section :", ["Dashboard", "PowerPump Classification"]) # Partie 1 : Dashboard if menu == "Dashboard": st.title("🌟 Dashboard - Analyse des Données 🌟") st.subheader("Aperçu du Dataset") st.dataframe(dataset.head()) st.subheader("Visualisations") # Graphiques de base col1, col2 = st.columns(2) with col1: st.write("### Distribution des Températures") fig, ax = plt.subplots() sns.histplot(dataset["Temperature"], kde=True, color="blue", ax=ax) ax.set_title("Distribution des Températures") st.pyplot(fig) with col2: st.write("### Distribution de l'Humidité") fig, ax = plt.subplots() sns.histplot(dataset["Humidity"], kde=True, color="green", ax=ax) ax.set_title("Distribution de l'Humidité") st.pyplot(fig) # Graphiques supplémentaires col3, col4 = st.columns(2) with col3: st.write("### Niveau d'Eau selon la Température") fig, ax = plt.subplots() sns.scatterplot(x=dataset["Temperature"], y=dataset["Water_Level"], hue=dataset["WaterPumpActuator_OFF"], palette="coolwarm", ax=ax) ax.set_title("Niveau d'Eau vs Température") st.pyplot(fig) with col4: st.write("### Corrélation des Paramètres") fig, ax = plt.subplots(figsize=(10, 6)) sns.heatmap(dataset.corr(), annot=True, cmap="coolwarm", ax=ax) st.pyplot(fig) # Graphiques avancés st.write("### Graphiques Avancés") col5, col6 = st.columns(2) with col5: st.write("### Boxplot des Concentrations (N, P, K)") fig, ax = plt.subplots() sns.boxplot(data=dataset[["N", "P", "K"]], ax=ax) ax.set_title("Répartition des Nutriments") st.pyplot(fig) with col6: st.write("### Répartition des États de l'Actuator") actuator_counts = dataset["WaterPumpActuator_OFF"].value_counts() fig, ax = plt.subplots() actuator_counts.plot(kind="pie", labels=["OFF", "ON"], autopct="%1.1f%%", colors=["orange", "purple"], ax=ax) ax.set_title("Proportion des États de l'Actuator") ax.set_ylabel("") st.pyplot(fig) # Graphique linéaire st.write("### Evolution de la Température et de l'Humidité") fig, ax = plt.subplots(figsize=(12, 6)) ax.plot(dataset["Temperature"][:50], label="Température", marker="o", linestyle="-", color="red") ax.plot(dataset["Humidity"][:50], label="Humidité", marker="x", linestyle="--", color="blue") ax.set_title("Evolution Température vs Humidité (échantillon)") ax.set_xlabel("Index") ax.set_ylabel("Valeurs") ax.legend() st.pyplot(fig) # Observations st.write("### Insights Clés") st.markdown(""" - La **température** suit une distribution normale autour de 35°C. - Les niveaux d'eau semblent varier en fonction de la température avec une tendance visible. - Les boxplots des nutriments montrent une concentration souvent autour de la moyenne. - Le heatmap montre une forte corrélation entre certains paramètres, utiles pour le modèle prédictif. """) # Partie 2 : PowerPump Classification elif menu == "PowerPump Classification": st.title("🤖 PowerPump Classification - Prédiction 🤖") st.write("Remplissez les informations ci-dessous pour prédire si la pompe doit être désactivée.") # Utilisation de colonnes pour organiser les champs de saisie col1, col2 = st.columns(2) with col1: temperature = st.number_input("Température (°C)", min_value=-50, max_value=50, value=25, step=1) humidity = st.number_input("Humidité (%)", min_value=0, max_value=100, value=50, step=1) water_level = st.number_input("Niveau d'eau (%)", min_value=0, max_value=100, value=50, step=1) with col2: N = st.number_input("Concentration en Azote (N)", min_value=0, max_value=500, value=100, step=1) P = st.number_input("Concentration en Phosphore (P)", min_value=0, max_value=500, value=100, step=1) K = st.number_input("Concentration en Potassium (K)", min_value=0, max_value=500, value=100, step=1) fan_actuator_off = st.number_input("Fan Actuator OFF", min_value=0, max_value=1, value=0) water_plant_pump_on = st.number_input("Water Plant Pump ON", min_value=0, max_value=1, value=1) # Ajouter un bouton de prédiction avec animation if st.button('Faire la prédiction', use_container_width=True): with st.spinner('Traitement en cours...'): time.sleep(2) try: # Prétraitement des données data = preprocess_data(temperature, humidity, water_level, N, P, K) # Charger le modèle (ici un modèle fictif pour la démo) model = load_model() # Entraîner le modèle avec des données fictives X_train = np.random.rand(100, 6) # 100 exemples de données aléatoires y_train = np.random.choice([0, 1], 100) # Cible binaire model.fit(X_train, y_train) # Faire la prédiction prediction = make_prediction(model, data) # Affichage de la prédiction if prediction == 1: st.success("La pompe **doit être désactivée**.") else: st.warning("La pompe **doit être activée**.") # Animation des ballons après la prédiction st.balloons() except Exception as e: st.error(f"Erreur pendant la prédiction : {e}") # Section "Exemple de données" st.markdown(""" ### Exemple de données - **Température** : 25°C - **Humidité** : 50% - **Niveau d'eau** : 50% - **Azote (N)** : 100 mg/L - **Phosphore (P)** : 100 mg/L - **Potassium (K)** : 100 mg/L - **Fan Actuator OFF** : 0 - **Water Plant Pump ON** : 1 """) # Ajouter un peu de style pour rendre l'interface plus jolie st.markdown(""" """, unsafe_allow_html=True) # Explication de l'objectif du projet st.markdown(""" ### Objectif du Projet L'objectif de ce projet est de prédire l'état de la pompe à eau dans un système automatisé de gestion de l'irrigation. En utilisant des informations telles que la température, l'humidité, le niveau d'eau, et d'autres paramètres environnementaux et opérationnels, nous pouvons déterminer si la pompe doit être activée ou désactivée pour optimiser l'usage des ressources. """)