Spaces:

jaimalklyde
/

ProjetData

Sleeping

Update src/module/Features.py

0ea73d0 verified 9 months ago

25.6 kB

"""
MODULE: FEATURE ENGINEERING (ML PREP) - VERSION OPTIMISÉE
==========================================================
Responsabilité : Transformation des données CLEAN (de l'ETL) 
en vecteurs mathématiques pour le Machine Learning.
Style : Gotham UI
Pipeline :
1. Récupération des données CLEAN depuis DataExplorer (ETL)
2. Génération de features temporelles
3. Création de lags et rolling statistics
4. Features d'interaction
5. Stockage du dataset ML final
CHANGEMENTS vs Version Précédente :
- ✅ Utilise DataExplorer.dataframes_clean (données déjà nettoyées)
- ✅ Suppression de _clean_for_ml() (redondant avec ETL)
- ✅ Pas de dropna() agressif (déjà fait par ETL)
- ✅ Fusion correcte avec admissions_jour
- ✅ Gestion robuste des colonnes manquantes
"""

import pandas as pd
import numpy as np
from datetime import datetime, timedelta
import streamlit as st
import plotly.express as px
import plotly.graph_objects as go

# Intégration de l'ETL Engine
from module.Validation_Contract import ETL_Engine


# =====================================================
# ============= FEATURE ENGINEERING ===================
# =====================================================

class FeatureEngineer:
    """
    Moteur de génération de features ML à partir de données CLEAN.
    Prend en entrée les données déjà nettoyées par l'ETL.
    """
    
    def __init__(self, data_explorer):
        """
        Initialisation avec DataExplorer (contient RAW et CLEAN)
        
        Args:
            data_explorer: Instance de DataExplorer avec dataframes_clean
        """
        # IMPORTANT : On utilise les données CLEAN, pas RAW
        self.clean_data = data_explorer.dataframes_clean
        self.ml_dataset = None
        
    def create_temporal_features(self, df, date_col='date'):
        """
        Génération des cycles temporels et périodes hospitalières.
        
        Args:
            df: DataFrame avec colonne date
            date_col: Nom de la colonne date
            
        Returns:
            DataFrame enrichi avec features temporelles
        """
        df = df.copy()
        df[date_col] = pd.to_datetime(df[date_col], errors='coerce')
        
        # Cycles Humains
        df['jour_semaine'] = df[date_col].dt.dayofweek  # 0=Lundi, 6=Dimanche
        df['est_weekend'] = (df['jour_semaine'] >= 5).astype(int)
        df['mois'] = df[date_col].dt.month
        df['trimestre'] = df[date_col].dt.quarter
        df['jour_annee'] = df[date_col].dt.dayofyear
        
        # Cycles Saisonniers (Encodage cyclique pour le ML)
        # Permet au modèle de comprendre que Décembre (12) est proche de Janvier (1)
        df['mois_sin'] = np.sin(2 * np.pi * df['mois'] / 12)
        df['mois_cos'] = np.cos(2 * np.pi * df['mois'] / 12)
        
        # Encodage cyclique du jour de la semaine
        df['jour_semaine_sin'] = np.sin(2 * np.pi * df['jour_semaine'] / 7)
        df['jour_semaine_cos'] = np.cos(2 * np.pi * df['jour_semaine'] / 7)
        
        # Périodes Hospitalières Critiques (basées sur épidémiologie française)
        df['periode_grippe'] = ((df['mois'] >= 11) | (df['mois'] <= 3)).astype(int)
        df['periode_canicule'] = ((df['mois'] >= 6) & (df['mois'] <= 8)).astype(int)
        df['periode_gastro'] = ((df['mois'] >= 11) | (df['mois'] <= 2)).astype(int)
        df['periode_bronchiolite'] = ((df['mois'] >= 10) & (df['mois'] <= 2)).astype(int)
        
        # Jours fériés approximatifs (1er janvier, 1er mai, 14 juillet, 25 décembre)
        df['jour_ferie_approx'] = (
            ((df['mois'] == 1) & (df[date_col].dt.day == 1)) |
            ((df['mois'] == 5) & (df[date_col].dt.day == 1)) |
            ((df['mois'] == 7) & (df[date_col].dt.day == 14)) |
            ((df['mois'] == 12) & (df[date_col].dt.day == 25))
        ).astype(int)
        
        return df

    def create_lags_and_rolling(self, df, value_col, group_col='service_code', 
                                lags=[1, 7, 14], windows=[7, 14, 30]):
        """
        Création de features de mémoire (lags) et statistiques mobiles (rolling).
        
        Args:
            df: DataFrame trié par date
            value_col: Colonne pour laquelle créer les lags
            group_col: Colonne de groupement (ex: service_code)
            lags: Liste des périodes de lag en jours
            windows: Liste des fenêtres pour rolling stats
            
        Returns:
            DataFrame enrichi avec lags et rolling
        """
        df = df.copy()
        
        # Tri par date et groupe (ESSENTIEL pour séries temporelles)
        if group_col in df.columns:
            df = df.sort_values(['date', group_col])
        else:
            df = df.sort_values('date')
        
        # Vérification que la colonne existe
        if value_col not in df.columns:
            st.warning(f"⚠️ Colonne '{value_col}' non trouvée, lags ignorés")
            return df
        
        # ===== LAGS (J-1, J-7, J-14, etc.) =====
        for lag in lags:
            col_name = f'{value_col}_lag_{lag}'
            
            if group_col in df.columns:
                df[col_name] = df.groupby(group_col)[value_col].shift(lag)
            else:
                df[col_name] = df[value_col].shift(lag)
        
        # ===== ROLLING STATISTICS =====
        for window in windows:
            # Moyenne mobile
            col_mean = f'{value_col}_mean_{window}j'
            if group_col in df.columns:
                df[col_mean] = df.groupby(group_col)[value_col].transform(
                    lambda x: x.rolling(window=window, min_periods=1).mean()
                )
            else:
                df[col_mean] = df[value_col].rolling(window=window, min_periods=1).mean()
            
            # Écart-type mobile (Volatilité)
            col_std = f'{value_col}_std_{window}j'
            if group_col in df.columns:
                df[col_std] = df.groupby(group_col)[value_col].transform(
                    lambda x: x.rolling(window=window, min_periods=1).std()
                ).fillna(0)
            else:
                df[col_std] = df[value_col].rolling(window=window, min_periods=1).std().fillna(0)
            
            # Min mobile
            col_min = f'{value_col}_min_{window}j'
            if group_col in df.columns:
                df[col_min] = df.groupby(group_col)[value_col].transform(
                    lambda x: x.rolling(window=window, min_periods=1).min()
                )
            else:
                df[col_min] = df[value_col].rolling(window=window, min_periods=1).min()
            
            # Max mobile
            col_max = f'{value_col}_max_{window}j'
            if group_col in df.columns:
                df[col_max] = df.groupby(group_col)[value_col].transform(
                    lambda x: x.rolling(window=window, min_periods=1).max()
                )
            else:
                df[col_max] = df[value_col].rolling(window=window, min_periods=1).max()
        
        return df

    def create_interaction_features(self, df):
        """
        Création de features d'interaction entre variables.
        """
        df = df.copy()
        
        # Interaction tension/occupation (Indice de stress hospitalier)
        if 'taux_occupation' in df.columns and 'tension_personnel' in df.columns:
            df['indice_stress'] = df['taux_occupation'] * df['tension_personnel']
            df['stress_eleve'] = (df['indice_stress'] > 1.0).astype(int)
        
        # Interaction scénario/weekend
        if 'scenario_intensity' in df.columns and 'est_weekend' in df.columns:
            df['intensity_x_weekend'] = df['scenario_intensity'] * df['est_weekend']
        
        # Interaction période critique/occupation
        if 'periode_grippe' in df.columns and 'taux_occupation' in df.columns:
            df['grippe_x_occupation'] = df['periode_grippe'] * df['taux_occupation']
        
        # Ratio personnel disponible / requis
        if 'personnel_disponible' in df.columns and 'personnel_requis' in df.columns:
            # On ajoute +1e-6 pour éviter la division par zéro
            df['ratio_personnel'] = df['personnel_disponible'] / (df['personnel_requis'] + 1e-6)
            df['deficit_personnel'] = (df['ratio_personnel'] < 1.0).astype(int)
        
        # --- CORRECTION OPTIMISÉE ICI ---
        # Capacité restante (Calcul direct car l'ETL a déjà typé les données)
        if 'lits_total' in df.columns and 'lits_occupes' in df.columns:
            df['capacite_restante'] = df['lits_total'] - df['lits_occupes']
            df['saturation'] = (df['capacite_restante'] <= 5).astype(int)
        # --------------------------------
        
        return df

    def build_full_dataset(self):
        """
        Assemblage complet du Dataset ML Final.
        
        Pipeline :
        1. Récupération données CLEAN (ressources + admissions + scénarios)
        2. Fusion intelligente
        3. Enrichissement temporel
        4. Lags & Rolling
        5. Features d'interaction
        6. Nettoyage final léger (seulement NaN des lags)
        
        Returns:
            Tuple (DataFrame ML, message)
        """
        
        # ===== 1. RÉCUPÉRATION DONNÉES CLEAN =====
        df_res = self.clean_data.get('ressources_jour')
        df_adm = self.clean_data.get('admissions_jour')
        df_scenarios = self.clean_data.get('scenarios_calendrier')
        
        # Vérification données essentielles
        if df_res is None or df_res.empty:
            return None, "❌ Données 'ressources_jour' manquantes ou vides"
        
        # ===== 2. BASE : RESSOURCES JOURNALIÈRES =====
        master = df_res.copy()
        
        # Conversion date si nécessaire
        if 'date' in master.columns:
            master['date'] = pd.to_datetime(master['date'], errors='coerce')
        else:
            return None, "❌ Colonne 'date' manquante dans ressources_jour"
        
        # ===== 3. FUSION AVEC ADMISSIONS =====
        if df_adm is not None and not df_adm.empty:
            # Conversion date admissions
            if 'date' in df_adm.columns:
                df_adm['date'] = pd.to_datetime(df_adm['date'], errors='coerce')
            
            # Sélection colonnes clés (éviter doublons)
            cols_adm = ['date', 'service_code', 'nb_admissions']
            cols_adm = [c for c in cols_adm if c in df_adm.columns]
            
            # Détermination clés de fusion
            if 'service_code' in df_adm.columns and 'service_code' in master.columns:
                merge_keys = ['date', 'service_code']
            else:
                merge_keys = ['date']
            
            # Fusion
            master = master.merge(df_adm[cols_adm], on=merge_keys, how='left')
            
            # Remplacement NaN par 0 (pas d'admission = 0)
            if 'nb_admissions' in master.columns:
                master['nb_admissions'] = master['nb_admissions'].fillna(0)
        else:
            st.warning("⚠️ Données 'admissions_jour' non disponibles, nb_admissions manquera")
        
        # ===== 4. ENRICHISSEMENT TEMPOREL =====
        master = self.create_temporal_features(master)
        
        # ===== 5. FUSION AVEC SCÉNARIOS =====
        if df_scenarios is not None and not df_scenarios.empty:
            # Conversion date scénarios
            if 'date' in df_scenarios.columns:
                df_scenarios['date'] = pd.to_datetime(df_scenarios['date'], errors='coerce')
            
            # Sélection colonnes
            cols_to_take = ['date', 'intensity']
            
            # Ajout scénario si pas déjà présent
            if 'scenario' not in master.columns and 'scenario' in df_scenarios.columns:
                cols_to_take.append('scenario')
            
            # Filtrage colonnes existantes
            cols_to_take = [c for c in cols_to_take if c in df_scenarios.columns]
            
            # Rename intensity pour éviter conflit
            scen_clean = df_scenarios[cols_to_take].copy()
            if 'intensity' in scen_clean.columns:
                scen_clean = scen_clean.rename(columns={'intensity': 'scenario_intensity'})
            
            # Fusion
            master = master.merge(scen_clean, on='date', how='left')
            
            # Remplissage NaN intensity par 0 (scénario normal)
            if 'scenario_intensity' in master.columns:
                master['scenario_intensity'] = master['scenario_intensity'].fillna(0)
            
            # Feature binaire : scénario actif ou non
            if 'scenario' in master.columns:
                master['scenario_is_normal'] = (master['scenario'] == 'Normal').astype(int)
        else:
            st.warning("⚠️ Données 'scenarios_calendrier' non disponibles")
        
        # ===== 6. LAGS & ROLLING STATISTICS =====
        # Tri chronologique AVANT lags
        if 'service_code' in master.columns:
            master = master.sort_values(['date', 'service_code']).reset_index(drop=True)
            group_col = 'service_code'
        else:
            master = master.sort_values('date').reset_index(drop=True)
            group_col = None
        
        # Lags sur taux_occupation
        if 'taux_occupation' in master.columns:
            master = self.create_lags_and_rolling(
                master, 
                'taux_occupation', 
                group_col=group_col,
                lags=[1, 7, 14],
                windows=[7, 14, 30]
            )
        
        # Lags sur nb_admissions
        if 'nb_admissions' in master.columns:
            master = self.create_lags_and_rolling(
                master, 
                'nb_admissions', 
                group_col=group_col,
                lags=[1, 7, 14],
                windows=[7, 14]
            )
        
        # Lags sur tension_personnel
        if 'tension_personnel' in master.columns:
            master = self.create_lags_and_rolling(
                master, 
                'tension_personnel', 
                group_col=group_col,
                lags=[1, 7],
                windows=[7]
            )
        
        # ===== 7. FEATURES D'INTERACTION =====
        master = self.create_interaction_features(master)
        
        # ===== 8. NETTOYAGE FINAL LÉGER =====
        # On supprime SEULEMENT les lignes où les lags sont NaN (premières lignes de chaque groupe)
        rows_before = len(master)
        master = master.dropna()
        rows_after = len(master)
        
        rows_removed = rows_before - rows_after
        if rows_removed > 0:
            st.info(f"ℹ️ {rows_removed} lignes supprimées (NaN des lags sur premières dates)")
        
        # =========================================================
        # 🔥 AJOUT CRITIQUE : ENCODAGE POUR COMPATIBILITÉ ML 🔥
        # =========================================================
        # Les modèles (XGBoost, Random Forest) ne savent pas lire le texte (ex: "CHIRURGIE").
        # On convertit toutes les colonnes TEXTE (sauf la date) en CHIFFRES.
        
        # On détecte les colonnes de type 'object' (texte) ou 'category'
        categorical_cols = master.select_dtypes(include=['object', 'category']).columns
        
        count_encoded = 0
        for col in categorical_cols:
            if col != 'date':  # On ne touche SURTOUT PAS à la date (utile pour le split temporel)
                # Transformation : "CHIRURGIE" -> 0, "REANIMATION" -> 1
                master[col] = master[col].astype('category').cat.codes
                count_encoded += 1

        if count_encoded > 0:
            st.caption(f"🔧 {count_encoded} colonnes texte converties en codes numériques pour l'IA.")

        # =========================================================

        # Stockage du dataset final
        self.ml_dataset = master
        
        return master, f"✅ Dataset ML créé : {len(master):,} échantillons, {len(master.columns)} features"

# =====================================================
# ============= INTERFACE STREAMLIT ===================
# =====================================================

def show_feature_engine(client, sheet_name):
    """
    Interface Streamlit pour le Feature Engineering.
    
    Args:
        client: Client Google Sheets
        sheet_name: Nom de la feuille Google Sheets
    """
    st.markdown("##  FEATURE ENGINEERING CORE")
    st.caption("Transformation des données CLEAN (ETL) en vecteurs ML avec lags, rolling stats et interactions.")
    
    # ===== 1. CHARGEMENT VIA ETL =====
    etl = ETL_Engine(client, sheet_name)
    
    # Vérification cache ETL
    if 'data_explorer' in st.session_state and hasattr(st.session_state.data_explorer, 'dataframes_clean'):
        data_explorer = st.session_state.data_explorer
        st.success("✅ Données CLEAN récupérées du Cache ETL")
    else:
        with st.spinner(" Exécution ETL requis..."):
            success, result = etl.run_etl()
            
            if not success:
                st.error(f"❌ Erreur ETL : {result}")
                return
            
            data_explorer = result
    
    # Affichage info sur les données source
    summary = data_explorer.get_summary()
    
    col1, col2, col3 = st.columns(3)
    col1.metric("Tables CLEAN disponibles", summary['tables_loaded'])
    col2.metric("Lignes CLEAN totales", f"{summary['total_rows_clean']:,}")
    col3.metric("Lignes supprimées par ETL", f"{summary['total_rows_removed']:,}")
    
    st.divider()
    
    # ===== 2. GÉNÉRATION AUTOMATIQUE DES FEATURES =====
    if 'ml_features' not in st.session_state:
        engine = FeatureEngineer(data_explorer)
        
        with st.spinner(" Génération des features (Lags, Rolling, Saisons, Interactions)..."):
            df_final, msg = engine.build_full_dataset()
        
        if df_final is not None and not df_final.empty:
            st.session_state['ml_features'] = df_final
            st.success(msg)
        else:
            st.error(f"❌ Échec génération features : {msg}")
            return
    
    # ===== 3. AFFICHAGE DU RÉSULTAT =====
    if 'ml_features' in st.session_state:
        df = st.session_state['ml_features']
        
        # En-tête avec bouton de rafraîchissement
        col_titre, col_btn = st.columns([4, 1])
        
        with col_titre:
            st.success(f"✅ Dataset ML Prêt ({len(df):,} échantillons)")
        
        with col_btn:
            if st.button(" Recalculer", key="recalc_features"):
                del st.session_state['ml_features']
                st.rerun()
        
        # ===== KPI BAR =====
        k1, k2, k3, k4 = st.columns(4)
        
        k1.metric("Lignes ML", f"{len(df):,}", delta="Clean Data", help="Données prêtes pour entraînement")
        k2.metric("Features Totales", len(df.columns), delta="+Lags & Rolling", help="Nombre total de colonnes")
        k3.metric("Période", f"{df['date'].min().strftime('%Y-%m-%d')} → {df['date'].max().strftime('%Y-%m-%d')}")
        k4.metric("Services", df['service_code'].nunique() if 'service_code' in df.columns else "N/A")
        
        st.divider()
        
        # ===== ANALYSE DES FEATURES =====
        st.subheader(" Analyse des Features Générées")
        
        # Catégorisation des features
        feature_categories = {
            'Temporelles': [c for c in df.columns if any(x in c for x in 
                           ['mois', 'jour', 'semaine', 'weekend', 'periode', 'trimestre', 'ferie'])],
            'Lags': [c for c in df.columns if '_lag_' in c],
            'Rolling': [c for c in df.columns if any(x in c for x in ['_mean_', '_std_', '_min_', '_max_'])],
            'Interaction': [c for c in df.columns if any(x in c for x in 
                           ['indice_', '_x_', 'ratio_', 'deficit_', 'saturation', 'capacite_'])],
            'Scénarios': [c for c in df.columns if 'scenario' in c.lower() or 'intensity' in c],
            'Ressources': [c for c in df.columns if any(x in c for x in 
                          ['lits', 'personnel', 'taux', 'tension'])],
        }
        
        # Affichage par catégorie
        col1, col2 = st.columns(2)
        
        with col1:
            for category in ['Temporelles', 'Lags', 'Rolling']:
                features = feature_categories[category]
                with st.expander(f"{category} ({len(features)} features)"):
                    if features:
                        st.write(features)
                    else:
                        st.info("Aucune feature dans cette catégorie")
        
        with col2:
            for category in ['Interaction', 'Scénarios', 'Ressources']:
                features = feature_categories[category]
                with st.expander(f"{category} ({len(features)} features)"):
                    if features:
                        st.write(features)
                    else:
                        st.info("Aucune feature dans cette catégorie")
        
        st.divider()
        
        # ===== MATRICE DE CORRÉLATION =====
        st.subheader(" Matrice de Corrélation")
        
        numerics = df.select_dtypes(include=[np.number])
        
        # Sélection intelligente des colonnes à afficher
        priority_cols = []
        
        # Target si disponible
        if 'nb_admissions' in numerics.columns:
            priority_cols.append('nb_admissions')
        
        # Features importantes
        priority_cols.extend([c for c in numerics.columns if any(x in c for x in 
                             ['lag_', 'mean_', 'std_', 'taux', 'tension', 'indice', 'intensity'])])
        
        # Limitation à 20 pour lisibilité
        cols_to_plot = list(dict.fromkeys(priority_cols))[:20]
        
        if cols_to_plot and len(cols_to_plot) > 1:
            corr = numerics[cols_to_plot].corr()
            
            fig_corr = px.imshow(
                corr, 
                text_auto=".2f",
                color_continuous_scale="RdBu_r",
                aspect="auto",
                title="Corrélation : Features Clés"
            )
            
            fig_corr.update_layout(height=600)
            st.plotly_chart(fig_corr, use_container_width=True)
        else:
            st.info("Pas assez de features numériques pour la matrice de corrélation")
        
        # ===== STATISTIQUES DESCRIPTIVES =====
        with st.expander(" Statistiques Descriptives"):
            st.dataframe(df.describe(), use_container_width=True)
        
        # ===== PREVIEW DATA =====
        with st.expander(" Inspecter le Dataset ML Final"):
            # Options de filtrage
            col_f1, col_f2 = st.columns(2)
            
            with col_f1:
                if 'service_code' in df.columns:
                    services = ['Tous'] + sorted(df['service_code'].unique().tolist())
                    selected_service = st.selectbox("Filtrer par service", services)
                    
                    if selected_service != 'Tous':
                        df_display = df[df['service_code'] == selected_service]
                    else:
                        df_display = df
                else:
                    df_display = df
            
            with col_f2:
                n_rows = st.slider("Nombre de lignes à afficher", 10, 500, 100)
            
            st.dataframe(df_display.head(n_rows), use_container_width=True)
        
        # ===== TÉLÉCHARGEMENT =====
        st.divider()
        st.subheader("💾 Export du Dataset ML")
        
        col1, col2 = st.columns(2)
        
        with col1:
            csv = df.to_csv(index=False).encode('utf-8')
            st.download_button(
                label="📥 Télécharger Dataset ML (.csv)",
                data=csv,
                file_name=f'hospital_ml_features_{datetime.now().strftime("%Y%m%d_%H%M%S")}.csv',
                mime='text/csv',
                help="Dataset complet avec toutes les features pour entraînement ML"
            )
        
        with col2:
            # Export des métadonnées
            metadata = {
                'nombre_lignes': len(df),
                'nombre_features': len(df.columns),
                'date_min': df['date'].min().strftime('%Y-%m-%d'),
                'date_max': df['date'].max().strftime('%Y-%m-%d'),
                'features_temporelles': len(feature_categories['Temporelles']),
                'features_lags': len(feature_categories['Lags']),
                'features_rolling': len(feature_categories['Rolling']),
                'features_interaction': len(feature_categories['Interaction']),
                'timestamp_creation': datetime.now().strftime('%Y-%m-%d %H:%M:%S')
            }
            
            metadata_df = pd.DataFrame([metadata])
            metadata_csv = metadata_df.to_csv(index=False).encode('utf-8')
            
            st.download_button(
                label="📋 Télécharger Métadonnées (.csv)",
                data=metadata_csv,
                file_name=f'ml_metadata_{datetime.now().strftime("%Y%m%d_%H%M%S")}.csv',
                mime='text/csv',
                help="Informations sur le dataset généré"
            )
        
        st.success("✅ Feature Engineering terminé ! Vous pouvez maintenant passer au module Forecasting.")

	"""
	MODULE: FEATURE ENGINEERING (ML PREP) - VERSION OPTIMISÉE
	==========================================================
	Responsabilité : Transformation des données CLEAN (de l'ETL)
	en vecteurs mathématiques pour le Machine Learning.
	Style : Gotham UI

	Pipeline :
	1. Récupération des données CLEAN depuis DataExplorer (ETL)
	2. Génération de features temporelles
	3. Création de lags et rolling statistics
	4. Features d'interaction
	5. Stockage du dataset ML final

	CHANGEMENTS vs Version Précédente :
	- ✅ Utilise DataExplorer.dataframes_clean (données déjà nettoyées)
	- ✅ Suppression de _clean_for_ml() (redondant avec ETL)
	- ✅ Pas de dropna() agressif (déjà fait par ETL)
	- ✅ Fusion correcte avec admissions_jour
	- ✅ Gestion robuste des colonnes manquantes
	"""

	import pandas as pd
	import numpy as np
	from datetime import datetime, timedelta
	import streamlit as st
	import plotly.express as px
	import plotly.graph_objects as go

	# Intégration de l'ETL Engine
	from module.Validation_Contract import ETL_Engine


	# =====================================================
	# ============= FEATURE ENGINEERING ===================
	# =====================================================

	class FeatureEngineer:
	"""
	Moteur de génération de features ML à partir de données CLEAN.
	Prend en entrée les données déjà nettoyées par l'ETL.
	"""

	def __init__(self, data_explorer):
	"""
	Initialisation avec DataExplorer (contient RAW et CLEAN)

	Args:
	data_explorer: Instance de DataExplorer avec dataframes_clean
	"""
	# IMPORTANT : On utilise les données CLEAN, pas RAW
	self.clean_data = data_explorer.dataframes_clean
	self.ml_dataset = None

	def create_temporal_features(self, df, date_col='date'):
	"""
	Génération des cycles temporels et périodes hospitalières.

	Args:
	df: DataFrame avec colonne date
	date_col: Nom de la colonne date

	Returns:
	DataFrame enrichi avec features temporelles
	"""
	df = df.copy()
	df[date_col] = pd.to_datetime(df[date_col], errors='coerce')

	# Cycles Humains
	df['jour_semaine'] = df[date_col].dt.dayofweek # 0=Lundi, 6=Dimanche
	df['est_weekend'] = (df['jour_semaine'] >= 5).astype(int)
	df['mois'] = df[date_col].dt.month
	df['trimestre'] = df[date_col].dt.quarter
	df['jour_annee'] = df[date_col].dt.dayofyear

	# Cycles Saisonniers (Encodage cyclique pour le ML)
	# Permet au modèle de comprendre que Décembre (12) est proche de Janvier (1)
	df['mois_sin'] = np.sin(2 * np.pi * df['mois'] / 12)
	df['mois_cos'] = np.cos(2 * np.pi * df['mois'] / 12)

	# Encodage cyclique du jour de la semaine
	df['jour_semaine_sin'] = np.sin(2 * np.pi * df['jour_semaine'] / 7)
	df['jour_semaine_cos'] = np.cos(2 * np.pi * df['jour_semaine'] / 7)

	# Périodes Hospitalières Critiques (basées sur épidémiologie française)
	df['periode_grippe'] = ((df['mois'] >= 11) \| (df['mois'] <= 3)).astype(int)
	df['periode_canicule'] = ((df['mois'] >= 6) & (df['mois'] <= 8)).astype(int)
	df['periode_gastro'] = ((df['mois'] >= 11) \| (df['mois'] <= 2)).astype(int)
	df['periode_bronchiolite'] = ((df['mois'] >= 10) & (df['mois'] <= 2)).astype(int)

	# Jours fériés approximatifs (1er janvier, 1er mai, 14 juillet, 25 décembre)
	df['jour_ferie_approx'] = (
	((df['mois'] == 1) & (df[date_col].dt.day == 1)) \|
	((df['mois'] == 5) & (df[date_col].dt.day == 1)) \|
	((df['mois'] == 7) & (df[date_col].dt.day == 14)) \|
	((df['mois'] == 12) & (df[date_col].dt.day == 25))
	).astype(int)

	return df

	def create_lags_and_rolling(self, df, value_col, group_col='service_code',
	lags=[1, 7, 14], windows=[7, 14, 30]):
	"""
	Création de features de mémoire (lags) et statistiques mobiles (rolling).

	Args:
	df: DataFrame trié par date
	value_col: Colonne pour laquelle créer les lags
	group_col: Colonne de groupement (ex: service_code)
	lags: Liste des périodes de lag en jours
	windows: Liste des fenêtres pour rolling stats

	Returns:
	DataFrame enrichi avec lags et rolling
	"""
	df = df.copy()

	# Tri par date et groupe (ESSENTIEL pour séries temporelles)
	if group_col in df.columns:
	df = df.sort_values(['date', group_col])
	else:
	df = df.sort_values('date')

	# Vérification que la colonne existe
	if value_col not in df.columns:
	st.warning(f"⚠️ Colonne '{value_col}' non trouvée, lags ignorés")
	return df

	# ===== LAGS (J-1, J-7, J-14, etc.) =====
	for lag in lags:
	col_name = f'{value_col}_lag_{lag}'

	if group_col in df.columns:
	df[col_name] = df.groupby(group_col)[value_col].shift(lag)
	else:
	df[col_name] = df[value_col].shift(lag)

	# ===== ROLLING STATISTICS =====
	for window in windows:
	# Moyenne mobile
	col_mean = f'{value_col}_mean_{window}j'
	if group_col in df.columns:
	df[col_mean] = df.groupby(group_col)[value_col].transform(
	lambda x: x.rolling(window=window, min_periods=1).mean()
	)
	else:
	df[col_mean] = df[value_col].rolling(window=window, min_periods=1).mean()

	# Écart-type mobile (Volatilité)
	col_std = f'{value_col}_std_{window}j'
	if group_col in df.columns:
	df[col_std] = df.groupby(group_col)[value_col].transform(
	lambda x: x.rolling(window=window, min_periods=1).std()
	).fillna(0)
	else:
	df[col_std] = df[value_col].rolling(window=window, min_periods=1).std().fillna(0)

	# Min mobile
	col_min = f'{value_col}_min_{window}j'
	if group_col in df.columns:
	df[col_min] = df.groupby(group_col)[value_col].transform(
	lambda x: x.rolling(window=window, min_periods=1).min()
	)
	else:
	df[col_min] = df[value_col].rolling(window=window, min_periods=1).min()

	# Max mobile
	col_max = f'{value_col}_max_{window}j'
	if group_col in df.columns:
	df[col_max] = df.groupby(group_col)[value_col].transform(
	lambda x: x.rolling(window=window, min_periods=1).max()
	)
	else:
	df[col_max] = df[value_col].rolling(window=window, min_periods=1).max()

	return df

	def create_interaction_features(self, df):
	"""
	Création de features d'interaction entre variables.
	"""
	df = df.copy()

	# Interaction tension/occupation (Indice de stress hospitalier)
	if 'taux_occupation' in df.columns and 'tension_personnel' in df.columns:
	df['indice_stress'] = df['taux_occupation'] * df['tension_personnel']
	df['stress_eleve'] = (df['indice_stress'] > 1.0).astype(int)

	# Interaction scénario/weekend
	if 'scenario_intensity' in df.columns and 'est_weekend' in df.columns:
	df['intensity_x_weekend'] = df['scenario_intensity'] * df['est_weekend']

	# Interaction période critique/occupation
	if 'periode_grippe' in df.columns and 'taux_occupation' in df.columns:
	df['grippe_x_occupation'] = df['periode_grippe'] * df['taux_occupation']

	# Ratio personnel disponible / requis
	if 'personnel_disponible' in df.columns and 'personnel_requis' in df.columns:
	# On ajoute +1e-6 pour éviter la division par zéro
	df['ratio_personnel'] = df['personnel_disponible'] / (df['personnel_requis'] + 1e-6)
	df['deficit_personnel'] = (df['ratio_personnel'] < 1.0).astype(int)

	# --- CORRECTION OPTIMISÉE ICI ---
	# Capacité restante (Calcul direct car l'ETL a déjà typé les données)
	if 'lits_total' in df.columns and 'lits_occupes' in df.columns:
	df['capacite_restante'] = df['lits_total'] - df['lits_occupes']
	df['saturation'] = (df['capacite_restante'] <= 5).astype(int)
	# --------------------------------

	return df

	def build_full_dataset(self):
	"""
	Assemblage complet du Dataset ML Final.

	Pipeline :
	1. Récupération données CLEAN (ressources + admissions + scénarios)
	2. Fusion intelligente
	3. Enrichissement temporel
	4. Lags & Rolling
	5. Features d'interaction
	6. Nettoyage final léger (seulement NaN des lags)

	Returns:
	Tuple (DataFrame ML, message)
	"""

	# ===== 1. RÉCUPÉRATION DONNÉES CLEAN =====
	df_res = self.clean_data.get('ressources_jour')
	df_adm = self.clean_data.get('admissions_jour')
	df_scenarios = self.clean_data.get('scenarios_calendrier')

	# Vérification données essentielles
	if df_res is None or df_res.empty:
	return None, "❌ Données 'ressources_jour' manquantes ou vides"

	# ===== 2. BASE : RESSOURCES JOURNALIÈRES =====
	master = df_res.copy()

	# Conversion date si nécessaire
	if 'date' in master.columns:
	master['date'] = pd.to_datetime(master['date'], errors='coerce')
	else:
	return None, "❌ Colonne 'date' manquante dans ressources_jour"

	# ===== 3. FUSION AVEC ADMISSIONS =====
	if df_adm is not None and not df_adm.empty:
	# Conversion date admissions
	if 'date' in df_adm.columns:
	df_adm['date'] = pd.to_datetime(df_adm['date'], errors='coerce')

	# Sélection colonnes clés (éviter doublons)
	cols_adm = ['date', 'service_code', 'nb_admissions']
	cols_adm = [c for c in cols_adm if c in df_adm.columns]

	# Détermination clés de fusion
	if 'service_code' in df_adm.columns and 'service_code' in master.columns:
	merge_keys = ['date', 'service_code']
	else:
	merge_keys = ['date']

	# Fusion
	master = master.merge(df_adm[cols_adm], on=merge_keys, how='left')

	# Remplacement NaN par 0 (pas d'admission = 0)
	if 'nb_admissions' in master.columns:
	master['nb_admissions'] = master['nb_admissions'].fillna(0)
	else:
	st.warning("⚠️ Données 'admissions_jour' non disponibles, nb_admissions manquera")

	# ===== 4. ENRICHISSEMENT TEMPOREL =====
	master = self.create_temporal_features(master)

	# ===== 5. FUSION AVEC SCÉNARIOS =====
	if df_scenarios is not None and not df_scenarios.empty:
	# Conversion date scénarios
	if 'date' in df_scenarios.columns:
	df_scenarios['date'] = pd.to_datetime(df_scenarios['date'], errors='coerce')

	# Sélection colonnes
	cols_to_take = ['date', 'intensity']

	# Ajout scénario si pas déjà présent
	if 'scenario' not in master.columns and 'scenario' in df_scenarios.columns:
	cols_to_take.append('scenario')

	# Filtrage colonnes existantes
	cols_to_take = [c for c in cols_to_take if c in df_scenarios.columns]

	# Rename intensity pour éviter conflit
	scen_clean = df_scenarios[cols_to_take].copy()
	if 'intensity' in scen_clean.columns:
	scen_clean = scen_clean.rename(columns={'intensity': 'scenario_intensity'})

	# Fusion
	master = master.merge(scen_clean, on='date', how='left')

	# Remplissage NaN intensity par 0 (scénario normal)
	if 'scenario_intensity' in master.columns:
	master['scenario_intensity'] = master['scenario_intensity'].fillna(0)

	# Feature binaire : scénario actif ou non
	if 'scenario' in master.columns:
	master['scenario_is_normal'] = (master['scenario'] == 'Normal').astype(int)
	else:
	st.warning("⚠️ Données 'scenarios_calendrier' non disponibles")

	# ===== 6. LAGS & ROLLING STATISTICS =====
	# Tri chronologique AVANT lags
	if 'service_code' in master.columns:
	master = master.sort_values(['date', 'service_code']).reset_index(drop=True)
	group_col = 'service_code'
	else:
	master = master.sort_values('date').reset_index(drop=True)
	group_col = None

	# Lags sur taux_occupation
	if 'taux_occupation' in master.columns:
	master = self.create_lags_and_rolling(
	master,
	'taux_occupation',
	group_col=group_col,
	lags=[1, 7, 14],
	windows=[7, 14, 30]
	)

	# Lags sur nb_admissions
	if 'nb_admissions' in master.columns:
	master = self.create_lags_and_rolling(
	master,
	'nb_admissions',
	group_col=group_col,
	lags=[1, 7, 14],
	windows=[7, 14]
	)

	# Lags sur tension_personnel
	if 'tension_personnel' in master.columns:
	master = self.create_lags_and_rolling(
	master,
	'tension_personnel',
	group_col=group_col,
	lags=[1, 7],
	windows=[7]
	)

	# ===== 7. FEATURES D'INTERACTION =====
	master = self.create_interaction_features(master)

	# ===== 8. NETTOYAGE FINAL LÉGER =====
	# On supprime SEULEMENT les lignes où les lags sont NaN (premières lignes de chaque groupe)
	rows_before = len(master)
	master = master.dropna()
	rows_after = len(master)

	rows_removed = rows_before - rows_after
	if rows_removed > 0:
	st.info(f"ℹ️ {rows_removed} lignes supprimées (NaN des lags sur premières dates)")

	# =========================================================
	# 🔥 AJOUT CRITIQUE : ENCODAGE POUR COMPATIBILITÉ ML 🔥
	# =========================================================
	# Les modèles (XGBoost, Random Forest) ne savent pas lire le texte (ex: "CHIRURGIE").
	# On convertit toutes les colonnes TEXTE (sauf la date) en CHIFFRES.

	# On détecte les colonnes de type 'object' (texte) ou 'category'
	categorical_cols = master.select_dtypes(include=['object', 'category']).columns

	count_encoded = 0
	for col in categorical_cols:
	if col != 'date': # On ne touche SURTOUT PAS à la date (utile pour le split temporel)
	# Transformation : "CHIRURGIE" -> 0, "REANIMATION" -> 1
	master[col] = master[col].astype('category').cat.codes
	count_encoded += 1

	if count_encoded > 0:
	st.caption(f"🔧 {count_encoded} colonnes texte converties en codes numériques pour l'IA.")

	# =========================================================

	# Stockage du dataset final
	self.ml_dataset = master

	return master, f"✅ Dataset ML créé : {len(master):,} échantillons, {len(master.columns)} features"

	# =====================================================
	# ============= INTERFACE STREAMLIT ===================
	# =====================================================

	def show_feature_engine(client, sheet_name):
	"""
	Interface Streamlit pour le Feature Engineering.

	Args:
	client: Client Google Sheets
	sheet_name: Nom de la feuille Google Sheets
	"""
	st.markdown("## FEATURE ENGINEERING CORE")
	st.caption("Transformation des données CLEAN (ETL) en vecteurs ML avec lags, rolling stats et interactions.")

	# ===== 1. CHARGEMENT VIA ETL =====
	etl = ETL_Engine(client, sheet_name)

	# Vérification cache ETL
	if 'data_explorer' in st.session_state and hasattr(st.session_state.data_explorer, 'dataframes_clean'):
	data_explorer = st.session_state.data_explorer
	st.success("✅ Données CLEAN récupérées du Cache ETL")
	else:
	with st.spinner(" Exécution ETL requis..."):
	success, result = etl.run_etl()

	if not success:
	st.error(f"❌ Erreur ETL : {result}")
	return

	data_explorer = result

	# Affichage info sur les données source
	summary = data_explorer.get_summary()

	col1, col2, col3 = st.columns(3)
	col1.metric("Tables CLEAN disponibles", summary['tables_loaded'])
	col2.metric("Lignes CLEAN totales", f"{summary['total_rows_clean']:,}")
	col3.metric("Lignes supprimées par ETL", f"{summary['total_rows_removed']:,}")

	st.divider()

	# ===== 2. GÉNÉRATION AUTOMATIQUE DES FEATURES =====
	if 'ml_features' not in st.session_state:
	engine = FeatureEngineer(data_explorer)

	with st.spinner(" Génération des features (Lags, Rolling, Saisons, Interactions)..."):
	df_final, msg = engine.build_full_dataset()

	if df_final is not None and not df_final.empty:
	st.session_state['ml_features'] = df_final
	st.success(msg)
	else:
	st.error(f"❌ Échec génération features : {msg}")
	return

	# ===== 3. AFFICHAGE DU RÉSULTAT =====
	if 'ml_features' in st.session_state:
	df = st.session_state['ml_features']

	# En-tête avec bouton de rafraîchissement
	col_titre, col_btn = st.columns([4, 1])

	with col_titre:
	st.success(f"✅ Dataset ML Prêt ({len(df):,} échantillons)")

	with col_btn:
	if st.button(" Recalculer", key="recalc_features"):
	del st.session_state['ml_features']
	st.rerun()

	# ===== KPI BAR =====
	k1, k2, k3, k4 = st.columns(4)

	k1.metric("Lignes ML", f"{len(df):,}", delta="Clean Data", help="Données prêtes pour entraînement")
	k2.metric("Features Totales", len(df.columns), delta="+Lags & Rolling", help="Nombre total de colonnes")
	k3.metric("Période", f"{df['date'].min().strftime('%Y-%m-%d')} → {df['date'].max().strftime('%Y-%m-%d')}")
	k4.metric("Services", df['service_code'].nunique() if 'service_code' in df.columns else "N/A")

	st.divider()

	# ===== ANALYSE DES FEATURES =====
	st.subheader(" Analyse des Features Générées")

	# Catégorisation des features
	feature_categories = {
	'Temporelles': [c for c in df.columns if any(x in c for x in
	['mois', 'jour', 'semaine', 'weekend', 'periode', 'trimestre', 'ferie'])],
	'Lags': [c for c in df.columns if '_lag_' in c],
	'Rolling': [c for c in df.columns if any(x in c for x in ['_mean_', '_std_', '_min_', '_max_'])],
	'Interaction': [c for c in df.columns if any(x in c for x in
	['indice_', '_x_', 'ratio_', 'deficit_', 'saturation', 'capacite_'])],
	'Scénarios': [c for c in df.columns if 'scenario' in c.lower() or 'intensity' in c],
	'Ressources': [c for c in df.columns if any(x in c for x in
	['lits', 'personnel', 'taux', 'tension'])],
	}

	# Affichage par catégorie
	col1, col2 = st.columns(2)

	with col1:
	for category in ['Temporelles', 'Lags', 'Rolling']:
	features = feature_categories[category]
	with st.expander(f"{category} ({len(features)} features)"):
	if features:
	st.write(features)
	else:
	st.info("Aucune feature dans cette catégorie")

	with col2:
	for category in ['Interaction', 'Scénarios', 'Ressources']:
	features = feature_categories[category]
	with st.expander(f"{category} ({len(features)} features)"):
	if features:
	st.write(features)
	else:
	st.info("Aucune feature dans cette catégorie")

	st.divider()

	# ===== MATRICE DE CORRÉLATION =====
	st.subheader(" Matrice de Corrélation")

	numerics = df.select_dtypes(include=[np.number])

	# Sélection intelligente des colonnes à afficher
	priority_cols = []

	# Target si disponible
	if 'nb_admissions' in numerics.columns:
	priority_cols.append('nb_admissions')

	# Features importantes
	priority_cols.extend([c for c in numerics.columns if any(x in c for x in
	['lag_', 'mean_', 'std_', 'taux', 'tension', 'indice', 'intensity'])])

	# Limitation à 20 pour lisibilité
	cols_to_plot = list(dict.fromkeys(priority_cols))[:20]

	if cols_to_plot and len(cols_to_plot) > 1:
	corr = numerics[cols_to_plot].corr()

	fig_corr = px.imshow(
	corr,
	text_auto=".2f",
	color_continuous_scale="RdBu_r",
	aspect="auto",
	title="Corrélation : Features Clés"
	)

	fig_corr.update_layout(height=600)
	st.plotly_chart(fig_corr, use_container_width=True)
	else:
	st.info("Pas assez de features numériques pour la matrice de corrélation")

	# ===== STATISTIQUES DESCRIPTIVES =====
	with st.expander(" Statistiques Descriptives"):
	st.dataframe(df.describe(), use_container_width=True)

	# ===== PREVIEW DATA =====
	with st.expander(" Inspecter le Dataset ML Final"):
	# Options de filtrage
	col_f1, col_f2 = st.columns(2)

	with col_f1:
	if 'service_code' in df.columns:
	services = ['Tous'] + sorted(df['service_code'].unique().tolist())
	selected_service = st.selectbox("Filtrer par service", services)

	if selected_service != 'Tous':
	df_display = df[df['service_code'] == selected_service]
	else:
	df_display = df
	else:
	df_display = df

	with col_f2:
	n_rows = st.slider("Nombre de lignes à afficher", 10, 500, 100)

	st.dataframe(df_display.head(n_rows), use_container_width=True)

	# ===== TÉLÉCHARGEMENT =====
	st.divider()
	st.subheader("💾 Export du Dataset ML")

	col1, col2 = st.columns(2)

	with col1:
	csv = df.to_csv(index=False).encode('utf-8')
	st.download_button(
	label="📥 Télécharger Dataset ML (.csv)",
	data=csv,
	file_name=f'hospital_ml_features_{datetime.now().strftime("%Y%m%d_%H%M%S")}.csv',
	mime='text/csv',
	help="Dataset complet avec toutes les features pour entraînement ML"
	)

	with col2:
	# Export des métadonnées
	metadata = {
	'nombre_lignes': len(df),
	'nombre_features': len(df.columns),
	'date_min': df['date'].min().strftime('%Y-%m-%d'),
	'date_max': df['date'].max().strftime('%Y-%m-%d'),
	'features_temporelles': len(feature_categories['Temporelles']),
	'features_lags': len(feature_categories['Lags']),
	'features_rolling': len(feature_categories['Rolling']),
	'features_interaction': len(feature_categories['Interaction']),
	'timestamp_creation': datetime.now().strftime('%Y-%m-%d %H:%M:%S')
	}

	metadata_df = pd.DataFrame([metadata])
	metadata_csv = metadata_df.to_csv(index=False).encode('utf-8')

	st.download_button(
	label="📋 Télécharger Métadonnées (.csv)",
	data=metadata_csv,
	file_name=f'ml_metadata_{datetime.now().strftime("%Y%m%d_%H%M%S")}.csv',
	mime='text/csv',
	help="Informations sur le dataset généré"
	)

	st.success("✅ Feature Engineering terminé ! Vous pouvez maintenant passer au module Forecasting.")