Merge pull request #85 from dataforgoodfr/oumaima-my-branch

mobilité d'écran

app/odi_functions.py

@@ -121,3 +121,37 @@ def extract_text_between_brackets(string: str) -> str:
         ).strip()  # Return the matched group and strip any extra whitespace
     return None  # Return None if no match is found
 
+def prepare_mobility_data(data: DataFrame, colname_suffixes: set[str]) -> DataFrame:
+    """
+    Extracts and prepares mobility data for analysis from multiple characters.
+
+    Parameters:
+        data (DataFrame): The original dataset containing mobility information for characters.
+        colname_suffixes (Set): Set of suffixes indicating different types of mobility
+        information.
+
+    Returns:
+        DataFrame: A long-format DataFrame ready for analysis and visualization.
+    """
+
+    # Prepare and concatenate data for all characters with accurate column names
+    all_characters_mobility_data = pd.DataFrame()
+
+    # Loop through each character number
+    for i in range(1, 5):
+        # Prepare the mapping for each character's mobility columns using the correct format
+        colnames = {
+            f"character{i}_mobility_vehicule [{suffix}]": f"{suffix}" for suffix in colname_suffixes  # noqa: E501
+        }
+
+        if len(colnames) > 0:
+            # Select and rename the relevant columns for each character's mobility information
+            temp_data = data[list(colnames.keys())].rename(columns=colnames)
+
+            # Append to the overall DataFrame
+            all_characters_mobility_data = pd.concat([all_characters_mobility_data, temp_data],
+                                                     ignore_index=True)
+            # Afficher le DataFrame all_characters_mobility_data
+
+
+    return all_characters_mobility_data

app/odi_streamlit.py

@@ -12,6 +12,7 @@
 from odi_functions import (
     extract_text_between_brackets,
     prepare_character_data,
+    prepare_mobility_data,
     prepare_technology_data,
 )
 
@@ -1059,6 +1060,143 @@ def get_chart_82052330(df: pd.DataFrame, liste: list[str], titre: str) -> None:
 # Objectif: répondre aux questions suivantes:
 # Comment se déplace-t-on à l'écran ?
 # Est-ce que ça varie selon le type de personnage et leur sensibilité à l'écologie ?
+# Préparer les données pour l'analyse de la mobilité
+
+colname_suffixes={"Voiture individuelle","Covoiturage","Transports en commun", "VTC/Taxi",
+                  "Chauffeur privé", "Hélicoptère", "Deux-roues motorisés" }
+
+# Définir un dictionnaire de correspondance pour les noms de colonne
+column_mapping = {
+    "Voiture individuelle": "Voiture individuelle",
+    "Covoiturage": "Covoiturage",
+    "Transports en commun": "Transports en commun",
+    "VTC/Taxi": "VTC/Taxi",
+    "Chauffeur privé": "Chauffeur privé",
+    "Hélicoptère": "Hélicoptère",
+    "Deux-roues motorisés": "Deux-roues motorisés",
+    "Autre": "Autre",
+}
+
+# Maintenant, vous pouvez utiliser ce dictionnaire pour convertir les noms de colonne
+nouveau_colname_suffixes = {column_mapping[nom] for nom in colname_suffixes}
+# Convertir l'ensemble en un dictionnaire où chaque nom est associé à lui-même
+nouveau_colname_suffixes = {nom: nom for nom in nouveau_colname_suffixes}
+
+with st.container():
+    st.subheader("Analyse de la mobilité à l'écran")
+    st.markdown("- **Transport individuel**")
+    # Utiliser le nouveau dictionnaire de suffixes dans la fonction prepare_mobility_data
+    mobility_data = prepare_mobility_data(data=data, colname_suffixes=nouveau_colname_suffixes)
+
+    attribut_personne = prepare_character_data(data=data,colname_suffixes={"name", "gender",
+                                                                           "ethnic_origin",
+                                                                           "interested_ecology",
+                                                                           "age_group",
+                                                                           "importance",
+                                                                           "sentiment"})
+
+    ##Selon l'age de group##
+    ct = pd.crosstab(attribut_personne["age_group"], mobility_data["Voiture individuelle"])
+
+
+    # Visualiser la proportion des modes de transport individuel en fonction d'age
+    # Définir la palette de couleurs discrètes
+    color_map = [
+        (0, "#98FB98"),  # Adolescent
+        (0.25, "#99CCFF"),  # Jeune adulte (moins de 30 ans)
+        (0.5, "#3A4EC6"),  # Adulte (30 - 50 ans)
+        (0.75, "#FF5050"),  # Senior (plus de 50 ans)
+        (1, "#101727"),  # Plus de 70 ans
+    ]
+
+    # Generate a heatmap
+    fig = px.imshow(ct, text_auto=True, aspect="auto",
+                    labels=dict(x="Voiture individuelle", y="age_group", color="Count"),
+                    title="Répartition de la mobilité par Voiture individuelles selon l'age_group",  # noqa: E501
+                    color_continuous_scale=color_map)
+
+    # Update layout for clarity
+    fig.update_xaxes(side="bottom")
+
+    ##Selon le genre##
+
+    # Display the plot
+    st.plotly_chart(fig)
+
+    ct = pd.crosstab(index=attribut_personne["gender"], columns=mobility_data["Voiture individuelle"])  # noqa: E501
+    # Visualiser la proportion des modes de transport individuel en fonction de l'âge
+
+    # Générer un heatmap avec la palette de couleurs spécifiée
+    fig = px.imshow(ct, text_auto=True, aspect="auto",
+                    labels=dict(x="Voiture individuelle", y="gender", color="Count"),
+                    title="Répartition de la mobilité par Voiture individuelles selon le genre",
+                    color_continuous_scale=color_map)
+
+    # Mettre à jour la mise en page pour plus de clarté
+    fig.update_xaxes(side="bottom")
+
+    # Display the plot
+    st.plotly_chart(fig)
+
+    ##Selon l'origine ethnique##
+    ct = pd.crosstab(index=attribut_personne["ethnic_origin"],
+                     columns=mobility_data["Voiture individuelle"])
+    # Visualiser la proportion des modes de transport individuel en fonction de l'âge
+
+    # Générer un heatmap avec la palette de couleurs spécifiée
+    fig = px.imshow(ct, text_auto=True, aspect="auto",
+                    labels=dict(x="Voiture individuelle", y="ethnic_origin", color="Count"),
+                    title="Répartition de la mobilité par Voiture individuelles selon l'origine "  # noqa: E501
+                    "ethnique",
+                    color_continuous_scale=color_map)
+
+    # Mettre à jour la mise en page pour plus de clarté
+    fig.update_xaxes(side="bottom")
+
+    # Display the plot
+    st.plotly_chart(fig)
+
+    ##Selon l'écologie##
+
+    ct = pd.crosstab(index=attribut_personne["interested_ecology"],
+                     columns=mobility_data["Voiture individuelle"])
+    # Visualiser la proportion des modes de transport individuel en fonction de l'âge
+    # Générer un heatmap avec la palette de couleurs spécifiée
+    fig = px.imshow(ct, text_auto=True, aspect="auto",
+                    labels=dict(x="Voiture individuelle", y="interested_ecology",
+                                color="Count"),
+                    title="Répartition de la mobilité par Voiture individuelles selon"
+                    "l'écologie",
+                    color_continuous_scale=color_map)
+
+    # Mettre à jour la mise en page pour plus de clarté
+    fig.update_xaxes(side="bottom")
+
+    # Display the plot
+    st.plotly_chart(fig)
+
+    st.markdown("- **Transports en commun**")
+    ##Selon l'age groupe##
+
+    ct = pd.crosstab(index=attribut_personne["age_group"],
+                     columns=mobility_data["Transports en commun"])
+
+    # Visualiser la proportion des modes de transport individuel en fonction de l'âge
+
+    # Générer un heatmap avec la palette de couleurs spécifiée
+    fig = px.imshow(ct, text_auto=True, aspect="auto",
+                    labels=dict(x="Transports en commun", y="age_group", color="Count"),
+                    title="Répartition de la mobilité par transport commun selon l'age_group",
+                    color_continuous_scale=color_map)
+
+    # Mettre à jour la mise en page pour plus de clarté
+    fig.update_xaxes(side="bottom")
+
+    # Display the plot
+    st.plotly_chart(fig)
+
+
+
 
 # TODO Analyse de l'habitat
 # Visualisation générale des modes d'habitat à l'écran, avec filtres possibles sur les