app.py

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.
    """)