Update src/module/Validation_Contract.py

src/module/Validation_Contract.py

@@ -135,7 +135,7 @@ class DataExplorer:
     def show_transformation_report(self):
         """Rapport visuel de transformation ETL"""
         st.markdown("---")
-        st.markdown("### 🏗️ Rapport de Transformation ETL")
+        st.markdown("### Rapport de Transformation ETL")
         
         if not self.transformation_report:
             st.warning("Aucun rapport de transformation disponible.")
@@ -193,12 +193,12 @@ class DataExplorer:
             st.plotly_chart(fig_null, use_container_width=True, key=f"etl_chart_null_{unique_id}")
         
         # Détail des transformations
-        with st.expander("📊 Détail des Transformations par Table"):
+        with st.expander("Détail des Transformations par Table"):
             for table_name, report in self.transformation_report.items():
-                st.markdown(f"#### 📋 {table_name.upper()}")
+                st.markdown(f"####  {table_name.upper()}")
                 
                 if report.get('corrections_applied'):
-                    st.markdown("**✅ Corrections appliquées :**")
+                    st.markdown("** Corrections appliquées :**")
                     for correction in report['corrections_applied']:
                         st.write(f"- {correction}")
                 else:
@@ -212,6 +212,43 @@ class DataExplorer:
                 col3.metric("Nulls comblés", meta['null_cells_raw'] - meta['null_cells_clean'])
                 
                 st.markdown("---")
+        # [AJOUTER CECI À LA FIN DE LA MÉTHODE show_transformation_report]
+        
+        # --- EXPORT CSV DES MÉTRIQUES ---
+        st.markdown("---")
+        st.subheader("📥 Export du Rapport ETL")
+
+        # 1. Préparation des données pour le CSV
+        export_data = []
+        for name, meta in self.metadata.items():
+            # Récupération des corrections sous forme de texte
+            report = self.transformation_report.get(name, {})
+            corrections_txt = " | ".join(report.get('corrections_applied', []))
+            
+            row = {
+                "Table": name,
+                "Lignes Brutes": meta['rows_raw'],
+                "Lignes Nettoyées": meta['rows_clean'],
+                "Lignes Supprimées": meta['rows_removed'],
+                "Anomalies Avant": meta['anomalies_raw'],
+                "Anomalies Après": meta['anomalies_clean'],
+                "Cellules Vides (Nulls)": meta['null_cells_clean'],
+                "Corrections Appliquées": corrections_txt
+            }
+            export_data.append(row)
+        
+        df_export = pd.DataFrame(export_data)
+        
+        # 2. Bouton de téléchargement
+        csv = df_export.to_csv(index=False).encode('utf-8-sig') # utf-8-sig pour Excel
+        
+        st.download_button(
+            label="📄 Télécharger le Rapport de Transformation (CSV)",
+            data=csv,
+            file_name=f"rapport_etl_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv",
+            mime="text/csv",
+            key=f"dl_btn_etl_{unique_id}" # Utilise l'ID unique généré plus haut
+        )
 
 # =====================================================
 # ============= MOTEUR ETL AMÉLIORÉ ===================
@@ -341,7 +378,7 @@ class ETL_Engine:
             nb_invalid_age = mask_age_invalid.sum()
             if nb_invalid_age > 0:
                 df_clean = df_clean[~mask_age_invalid].copy()
-                corrections.append(f"✂️ Supprimé {nb_invalid_age} patients avec âge aberrant (<0 ou >120)")
+                corrections.append(f" Supprimé {nb_invalid_age} patients avec âge aberrant (<0 ou >120)")
         
         # 2. Déduplification (nom + prénom)
         if 'nom' in df_clean.columns and 'prenom' in df_clean.columns:
@@ -349,7 +386,7 @@ class ETL_Engine:
             df_clean = df_clean.drop_duplicates(subset=['nom', 'prenom'], keep='first')
             nb_removed = nb_before - len(df_clean)
             if nb_removed > 0:
-                corrections.append(f"✂️ Supprimé {nb_removed} doublons (nom+prénom)")
+                corrections.append(f" Supprimé {nb_removed} doublons (nom+prénom)")
         
         # 3. Filtrer dates de naissance futures
         if 'date_naissance' in df_clean.columns:
@@ -357,7 +394,7 @@ class ETL_Engine:
             nb_future = mask_future.sum()
             if nb_future > 0:
                 df_clean = df_clean[~mask_future].copy()
-                corrections.append(f"✂️ Supprimé {nb_future} patients avec date de naissance future")
+                corrections.append(f" Supprimé {nb_future} patients avec date de naissance future")
         
         return df_clean, corrections
 
@@ -382,7 +419,7 @@ class ETL_Engine:
                         (df_clean.loc[mask_inverted, 'date_sortie'] - 
                          df_clean.loc[mask_inverted, 'date_entree']).dt.days
                 
-                corrections.append(f"🔄 Inversé {nb_inverted} paires de dates (sortie < entrée)")
+                corrections.append(f" Inversé {nb_inverted} paires de dates (sortie < entrée)")
         
         # 2. Normaliser gravité (forcer entre 1 et 5)
         if 'gravite_1_5' in df_clean.columns:
@@ -393,7 +430,7 @@ class ETL_Engine:
                 # Clip entre 1 et 5
                 df_clean.loc[mask_invalid_grav, 'gravite_1_5'] = \
                     df_clean.loc[mask_invalid_grav, 'gravite_1_5'].clip(1, 5)
-                corrections.append(f"🔧 Normalisé {nb_invalid_grav} gravités hors norme (1-5)")
+                corrections.append(f" Normalisé {nb_invalid_grav} gravités hors norme (1-5)")
         
         # 3. Supprimer séjours avec durée négative (même après correction dates)
         if 'duree_sejour_jours' in df_clean.columns:
@@ -402,7 +439,7 @@ class ETL_Engine:
             
             if nb_negative > 0:
                 df_clean = df_clean[~mask_negative_duration].copy()
-                corrections.append(f"✂️ Supprimé {nb_negative} séjours avec durée négative")
+                corrections.append(f"Supprimé {nb_negative} séjours avec durée négative")
         
         return df_clean, corrections
 
@@ -427,7 +464,7 @@ class ETL_Engine:
                 if 'taux_occupation' in df_clean.columns:
                     df_clean.loc[mask_suroccup, 'taux_occupation'] = 1.0
                 
-                corrections.append(f"🔧 Corrigé {nb_suroccup} cas de suroccupation (plafonné à capacité)")
+                corrections.append(f" Corrigé {nb_suroccup} cas de suroccupation (plafonné à capacité)")
         
         # 2. Filtrer taux d'occupation aberrants (>1.5 = 150%)
         if 'taux_occupation' in df_clean.columns:
@@ -436,7 +473,7 @@ class ETL_Engine:
             
             if nb_invalid_rate > 0:
                 df_clean = df_clean[~mask_invalid_rate].copy()
-                corrections.append(f"✂️ Supprimé {nb_invalid_rate} lignes avec taux >150%")
+                corrections.append(f" Supprimé {nb_invalid_rate} lignes avec taux >150%")
         
         return df_clean, corrections
 
@@ -497,7 +534,7 @@ class ETL_Engine:
             worksheets = spreadsheet.worksheets()
             relevant_sheets = [ws for ws in worksheets if ws.title.lower() not in ['', 'sheet1', 'feuil1']]
             
-            progress_bar = st.progress(0, text="🔄 ETL Engine: Extraction...")
+            progress_bar = st.progress(0, text=" ETL Engine: Extraction...")
             
             for i, ws in enumerate(relevant_sheets):
                 raw_data = ws.get_all_values()