Update src/module/Validation_Contract.py

src/module/Validation_Contract.py

@@ -117,6 +117,9 @@ class DataExplorer:
             fig_mem.update_layout(title="Optimisation Mémoire (MB)", barmode='group')
             st.plotly_chart(fig_mem, use_container_width=True)
 
+            # AJOUT DU KEY UNIQUE ICI 👇
+            st.plotly_chart(fig_mem, use_container_width=True, key="chart_etl_memory")
+
         with col2:
             # Graphique 2 : Qualité Intrinsèque (Anomalies flagguées)
             fig_qual = px.bar(
@@ -125,7 +128,8 @@ class DataExplorer:
                 labels={'x': 'Table', 'y': 'Nb Anomalies'},
                 color=anomalies, color_continuous_scale='Reds'
             )
-            st.plotly_chart(fig_qual, use_container_width=True)
+            # AJOUT DU KEY UNIQUE ICI 👇
+            st.plotly_chart(fig_qual, use_container_width=True, key="chart_etl_quality")
             
         # Graphique 3 : Rétention des données
         with st.expander("📊 Détails volumétrie et types"):
@@ -213,19 +217,20 @@ class ETL_Engine:
         # 2. NUMÉRIQUES
         for col in config.get('numeric', []):
             if col in df.columns:
-                # On force d'abord en string pour nettoyer
                 if df[col].dtype == 'object':
-                    # On ne garde que les caractères valides pour un nombre (chiffres, point, virgule, signe moins)
-                    # Cela évite de convertir un texte de 20000 caractères en nombre
-                    df[col] = df[col].astype(str).str.replace(',', '.', regex=False)
+                    # --- FIX CRITIQUE "Int too large" ---
+                    # On convertit d'abord en string pour mesurer la longueur
+                    # Si une cellule a plus de 50 caractères, ce n'est pas un nombre valide pour l'analyse
+                    # (Cela élimine le fameux nombre à 20 000 chiffres)
+                    mask_too_long = df[col].astype(str).str.len() > 50
+                    df.loc[mask_too_long, col] = np.nan
                     
-                    # Nettoyage des espaces insécables ou normaux
+                    # Nettoyage standard pour les autres
+                    df[col] = df[col].astype(str).str.replace(',', '.', regex=False)
                     df[col] = df[col].str.replace(r'\s+', '', regex=True)
-                    
-                    # Gestion des valeurs vides ou erreurs textuelles
                     df[col] = df[col].replace(['Full', 'Erreur', 'full', 'erreur', '', 'nan', 'None'], np.nan)
                 
-                # Conversion sécurisée : si ça dépasse la taille limite ou si c'est invalide, ça devient NaN
+                # Conversion sécurisée
                 df[col] = pd.to_numeric(df[col], errors='coerce')
         
         # 3. CATÉGORIELLES
@@ -286,9 +291,6 @@ class ETL_Engine:
             summary = data_explorer.get_summary()
             st.success(f"✅ ETL Terminé : {summary['total_rows']:,} lignes traitées.")
             
-            # APPEL DU DASHBOARD VISUEL
-            data_explorer.show_etl_report()
-            
             return True, data_explorer
             
         except Exception as e: