Update src/module/Validation_Contract.py

src/module/Validation_Contract.py

@@ -279,12 +279,13 @@ class ETL_Engine:
         """Étape 1 : Conversion et Typage Strict"""
         df_typed = df.copy()
         
-        # --- MODIF 1 : Normalisation des noms de colonnes (C'est ce qui manquait !) ---
-        # Cela nettoie les espaces invisibles dans Excel qui empêchaient la détection
+        # --- MODIF 1 : Normalisation des noms de colonnes ---
+        # Nettoie les espaces, met en minuscule et remplace les tirets pour une détection fiable
         df_typed.columns = df_typed.columns.str.strip().str.lower().str.replace(' ', '_').str.replace('-', '_')
         
         name_normalized = name.lower().strip().replace(' ', '_').replace('-', '_')
         
+        # Tables de référence : on conserve le format brut
         if name_normalized in self.REFERENCE_TABLES:
             return df_typed
         
@@ -292,27 +293,36 @@ class ETL_Engine:
         if not config:
             return df_typed
         
-        # Conversion DATES
+        # 1. Conversion DATES
         for col in config.get('date', []):
             if col in df_typed.columns:
                 df_typed[col] = pd.to_datetime(df_typed[col], errors='coerce')
         
-        # --- MODIF 2 : Conversion NUMÉRIQUES BLINDÉE ---
-        for col in config.get('numeric', []):
+        # 2. --- MODIF 2 : Conversion NUMÉRIQUES BLINDÉE ---
+        # Liste des colonnes numériques à traiter
+        num_cols = config.get('numeric', [])
+        
+        # On ajoute dynamiquement les colonnes de DQ si elles existent pour éviter le crash 'str' vs 'int'
+        if 'dq_is_anomaly' in df_typed.columns:
+            num_cols.append('dq_is_anomaly')
+
+        for col in num_cols:
             if col in df_typed.columns:
-                # Nettoyage préalable des chaînes
+                # Nettoyage des caractères parasites (espaces, virgules)
                 if df_typed[col].dtype == 'object':
                     df_typed[col] = df_typed[col].astype(str).str.replace(',', '.', regex=False)
                     df_typed[col] = df_typed[col].str.replace(r'\s+', '', regex=True)
+                    # Suppression des termes textuels courants
+                    df_typed[col] = df_typed[col].replace(['Full', 'Erreur', 'nan', 'None', ''], np.nan)
                 
-                # Coerce force NaN si erreur
+                # Conversion en numérique (coerce transforme les erreurs en NaN)
                 df_typed[col] = pd.to_numeric(df_typed[col], errors='coerce')
                 
-                # FIX CRITIQUE : On remplace les NaN par 0
-                # C'est ÇA qui empêche le Dashboard de planter sur des calculs
+                # FIX CRITIQUE : Remplacement des NaN par 0 
+                # C'est l'assurance vie du Dashboard pour les comparaisons mathématiques
                 df_typed[col] = df_typed[col].fillna(0)
-        
-        # Conversion CATÉGORIELLES
+
+        # 3. Conversion CATÉGORIELLES
         for col in config.get('categorical', []):
             if col in df_typed.columns:
                 df_typed[col] = df_typed[col].astype(str).str.strip()