Create app.py

app.py

@@ -0,0 +1,231 @@
+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("""
+        <style>
+            .css-1aumxhk { 
+                text-align: center; 
+                color: #2e7d32; 
+                font-size: 22px; 
+                font-weight: bold;
+            }
+            .stButton>button {
+                background-color: #43a047;
+                color: white;
+                font-size: 18px;
+                padding: 15px 30px;
+                border-radius: 8px;
+            }
+            .stButton>button:hover {
+                background-color: #388e3c;
+            }
+        </style>
+    """, 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.
+    """)