Update src/module/add_data.py

src/module/add_data.py

@@ -0,0 +1,144 @@
+"""
+MODULE: DATA INJECTOR (FLUX CONTINU)
+====================================
+Responsabilité : Injection contrôlée de nouveaux lots de données (quelques centaines de lignes).
+Mode : Append (Ajout à la suite sans écraser).
+"""
+
+import pandas as pd
+import numpy as np
+import datetime as dt
+from faker import Faker
+import streamlit as st
+
+class DataInjector:
+    def __init__(self, client, sheet_name):
+        self.client = client
+        self.sheet_name = sheet_name
+        self.fake = Faker("fr_FR")
+        # Services de l'hôpital
+        self.svc_codes = ["URG", "MED", "PED", "REA", "INF", "ISO", "CAR", "NEU", "TRA"]
+
+    def _append_to_sheet(self, df, worksheet_name):
+        """Ajoute les données à la suite des lignes existantes dans Google Sheets"""
+        try:
+            sh = self.client.open(self.sheet_name)
+            worksheet = sh.worksheet(worksheet_name)
+            
+            # Conversion en string pour l'API Google Sheets
+            df_export = df.copy()
+            for col in df_export.select_dtypes(include=['datetime64', 'object', 'datetimetz']).columns:
+                df_export[col] = df_export[col].astype(str)
+            
+            # Extraction des valeurs brutes
+            values = df_export.values.tolist()
+            
+            # Appel API
+            worksheet.append_rows(values)
+            return True
+        except Exception as e:
+            st.error(f"❌ Erreur lors de l'ajout dans '{worksheet_name}': {e}")
+            return False
+
+    def generate_batch(self, days=7):
+        """
+        Génère un lot de données pour X jours.
+        Volume estimé pour 7 jours : ~63 lignes Ressources + ~400 lignes Admissions + Stocks.
+        """
+        # On simule à partir d'aujourd'hui pour avoir des données "fraîches"
+        start_date = dt.date.today()
+        dates = pd.date_range(start_date, periods=days, freq="D")
+        
+        # 1. SCÉNARIOS (Météo/Épidémie)
+        scen_rows = []
+        for d in dates:
+            # Petit hasard pour rendre ça vivant
+            r = np.random.random()
+            if r < 0.1: sc = "Grippe"
+            elif r < 0.05: sc = "Canicule"
+            else: sc = "Normal"
+            scen_rows.append({"date": d, "scenario": sc, "intensity": 1 if sc != "Normal" else 0})
+        df_scen = pd.DataFrame(scen_rows)
+
+        # 2. ADMISSIONS (Le flux patients)
+        adm_rows = []
+        for d in dates:
+            for svc in self.svc_codes:
+                # Variation aléatoire pour tester la sensibilité de l'IA
+                n_patients = np.random.poisson(lam=random.randint(3, 12))
+                adm_rows.append({
+                    "date": d,
+                    "service_code": svc,
+                    "nb_admissions": n_patients
+                })
+        df_adm = pd.DataFrame(adm_rows)
+
+        # 3. RESSOURCES (L'état des lits)
+        res_rows = []
+        for d in dates:
+            for svc in self.svc_codes:
+                # Simulation d'une occupation variable
+                lits_tot = 150
+                occup = np.random.randint(80, 155) # Parfois ça déborde (>150)
+                
+                # Injection d'anomalies pour tester le module DQ
+                is_anomaly = 1 if occup > lits_tot else 0
+                anomaly_type = "suroccupation" if is_anomaly else None
+                
+                res_rows.append({
+                    "date": d,
+                    "service_code": svc,
+                    "lits_total": lits_tot,
+                    "lits_occupes": occup,
+                    "personnel_disponible": np.random.randint(20, 35),
+                    "personnel_requis": 30,
+                    "taux_occupation": round(occup/lits_tot, 2),
+                    "dq_is_anomaly": is_anomaly,
+                    "dq_anomaly_type": anomaly_type
+                })
+        df_res = pd.DataFrame(res_rows)
+
+        return df_scen, df_adm, df_res
+
+    def run(self, days_to_add):
+        scen, adm, res = self.generate_batch(days=days_to_add)
+        
+        total_rows = len(scen) + len(adm) + len(res)
+        
+        with st.status(f"🚀 Injection de {total_rows} nouvelles lignes...", expanded=True) as status:
+            st.write("📝 Ajout au calendrier...")
+            self._append_to_sheet(scen, "scenarios_calendrier")
+            
+            st.write(f"valeurs : {len(adm)} admissions...")
+            self._append_to_sheet(adm, "admissions_jour")
+            
+            st.write(f"valeurs : {len(res)} relevés de ressources...")
+            self._append_to_sheet(res, "ressources_jour")
+            
+            status.update(label="✅ Injection terminée !", state="complete")
+            
+        return total_rows
+
+# --- INTERFACE ---
+def show_data_injector(client, sheet_name):
+    import random # Nécessaire ici si non importé en haut
+    
+    st.markdown("## 💉 INJECTEUR DE FLUX (LIVE TEST)")
+    st.caption("Ajoute des données récentes pour tester la réaction de l'IA et du Dashboard.")
+
+    col1, col2 = st.columns([2, 1])
+    
+    with col1:
+        days = st.slider("Jours à simuler", min_value=1, max_value=14, value=7, 
+                         help="7 jours génèrent environ 500 nouvelles lignes.")
+    
+    with col2:
+        # Estimation du volume
+        st.metric("Volume estimé", f"~{days * 9 * 6} lignes", delta="Nouveaux cas")
+
+    if st.button("⚡ Injecter les données maintenant", type="primary"):
+        injector = DataInjector(client, sheet_name)
+        count = injector.run(days)
+        
+        st.success(f"Opération réussie. **{count}** nouvelles lignes ont été ajoutées à la base.")
+        st.warning("👉 N'oubliez pas de relancer l'ETL (Feature Engineering) pour que l'IA voie ces nouvelles données.")