Update src/module/Data_Exploration.py

src/module/Data_Exploration.py

@@ -203,10 +203,17 @@ class AdvancedAnalyzer:
             return
 
         try:
-            # PRÉPARATION FORCÉE (Fix pour l'erreur DatetimeIndex)
+            # --- Dans tab_time_series_advanced ET tab_stationarity ---
             df_ts = df_adm.copy()
             
-            # Définition de l'index temporel avec fréquence explicite
+            # 1. FORCE LA CONVERSION (Crucial pour l'erreur DatetimeIndex)
+            df_ts['date'] = pd.to_datetime(df_ts['date'], errors='coerce')
+            df_ts['nb_admissions'] = pd.to_numeric(df_ts['nb_admissions'], errors='coerce')
+            
+            # 2. NETTOYE LES NAS CRÉÉS PAR LA CONVERSION
+            df_ts = df_ts.dropna(subset=['date', 'nb_admissions'])
+            
+            # 3. SET L'INDEX
             df_ts = df_ts.set_index('date').sort_index()
             series = df_ts['nb_admissions'].resample('D').sum().asfreq('D').fillna(0)
 
@@ -233,9 +240,18 @@ class AdvancedAnalyzer:
         if df_adm is None: return
 
         try:
-            # Même logique de nettoyage pour l'ACF
+            # --- Dans tab_time_series_advanced ET tab_stationarity ---
             df_ts = df_adm.copy()
-            df_ts = df_ts.dropna(subset=['date']).set_index('date').sort_index()
+            
+            # 1. FORCE LA CONVERSION (Crucial pour l'erreur DatetimeIndex)
+            df_ts['date'] = pd.to_datetime(df_ts['date'], errors='coerce')
+            df_ts['nb_admissions'] = pd.to_numeric(df_ts['nb_admissions'], errors='coerce')
+            
+            # 2. NETTOYE LES NAS CRÉÉS PAR LA CONVERSION
+            df_ts = df_ts.dropna(subset=['date', 'nb_admissions'])
+            
+            # 3. SET L'INDEX
+            df_ts = df_ts.set_index('date').sort_index()
             series = df_ts['nb_admissions'].resample('D').sum().asfreq('D').fillna(0)
 
             lag_count = min(60, max(20, int(len(series) / 2)))
@@ -261,21 +277,42 @@ class AdvancedAnalyzer:
             return
 
         try:
+            # 1. Copie et Conversion forcée (Le "Triple Cast")
             tmp = df_adm.copy()
-            # FIX : Conversion explicite avant d'utiliser l'accesseur .dt
             tmp['date'] = pd.to_datetime(tmp['date'], errors='coerce')
-            tmp = tmp.dropna(subset=['date'])
+            tmp['nb_admissions'] = pd.to_numeric(tmp['nb_admissions'], errors='coerce')
+            
+            # 2. Nettoyage des données invalides
+            tmp = tmp.dropna(subset=['date', 'nb_admissions'])
             
+            # 3. Extraction des composants temporels
+            # On récupère le numéro du jour (0=Lundi) pour un tri automatique fiable
+            tmp['day_num'] = tmp['date'].dt.weekday 
             tmp['day_name'] = tmp['date'].dt.day_name()
             tmp['month'] = tmp['date'].dt.month_name()
             
-            # Pivotage et réindexation pour l'ordre chronologique
-            heat = tmp.pivot_table(index='day_name', columns='month', values='nb_admissions', aggfunc='mean')
-            days = ['Monday','Tuesday','Wednesday','Thursday','Friday','Saturday','Sunday']
-            heat = heat.reindex(days)
+            # 4. Pivotage
+            # On indexe par le duo (numéro, nom) pour garder l'ordre chronologique
+            heat = tmp.pivot_table(
+                index=['day_num', 'day_name'], 
+                columns='month', 
+                values='nb_admissions', 
+                aggfunc='mean'
+            )
             
-            fig = px.imshow(heat, title='Intensité Hebdo vs Mensuelle', color_continuous_scale='Viridis')
+            # 5. Tri et nettoyage de l'index pour l'affichage
+            heat = heat.sort_index(level=0)
+            heat.index = heat.index.get_level_values(1)
+            
+            # 6. Affichage Plotly
+            fig = px.imshow(
+                heat, 
+                title='Intensité Moyenne des Admissions (Jour vs Mois)',
+                color_continuous_scale='Viridis',
+                aspect="auto"
+            )
             st.plotly_chart(fig, use_container_width=True)
+
         except Exception as e:
             st.error(f'Erreur Heatmap : {e}')