mobilité écran

app/odi_functions.py

@@ -121,13 +121,14 @@ 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, colname_suffixes):
+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.
+        colname_suffixes (Set): Set of suffixes indicating different types of mobility
+        information.
 
     Returns:
         DataFrame: A long-format DataFrame ready for analysis and visualization.
@@ -140,15 +141,16 @@ def prepare_mobility_data(data, colname_suffixes):
     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
+            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)
+            all_characters_mobility_data = pd.concat([all_characters_mobility_data, temp_data],
+                                                     ignore_index=True)
             # Afficher le DataFrame all_characters_mobility_data
 
 

app/odi_streamlit.py

@@ -1062,7 +1062,8 @@ def get_chart_82052330(df: pd.DataFrame, liste: list[str], titre: str) -> None:
 # 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" }
+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 = {
@@ -1083,11 +1084,18 @@ def get_chart_82052330(df: pd.DataFrame, liste: list[str], titre: str) -> None:
 
 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"})
+    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"])
 
 
@@ -1104,16 +1112,18 @@ def get_chart_82052330(df: pd.DataFrame, liste: list[str], titre: str) -> None:
     # 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",
+                    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"])
+    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
@@ -1128,6 +1138,66 @@ def get_chart_82052330(df: pd.DataFrame, liste: list[str], titre: str) -> None:
     # 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
 #     types de contenu ou sur les caractéristiques des personnages (ex. comment habitent les