|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
import streamlit as st
|
|
import pandas as pd
|
|
import plotly.express as px
|
|
import plotly.graph_objects as go
|
|
import requests
|
|
|
|
|
|
|
|
DATA_URL = 'https://full-stack-assets.s3.eu-west-3.amazonaws.com/Deployment/get_around_delay_analysis.xlsx'
|
|
|
|
st.set_page_config(layout="wide")
|
|
st.markdown(
|
|
"""
|
|
<style>
|
|
.main {
|
|
margin: 0 auto; /* Centers the content */
|
|
max-width: 1100px;
|
|
|
|
}
|
|
</style>
|
|
""",
|
|
unsafe_allow_html=True
|
|
)
|
|
|
|
@st.cache_data
|
|
def load_data():
|
|
data = pd.read_excel(DATA_URL)
|
|
return data
|
|
|
|
data = load_data()
|
|
print('state: ',data['state'].value_counts())
|
|
|
|
st.markdown("""
|
|
<div style="text-align: center;">
|
|
<img src="https://lever-client-logos.s3.amazonaws.com/2bd4cdf9-37f2-497f-9096-c2793296a75f-1568844229943.png" alt="GetAround logo" style="width: 80%;">
|
|
</div>
|
|
|
|
<br>
|
|
|
|
Bienvenue sur ce dashboard streamlit du projet `Get Around`. Nos <a href="https://full-stack-assets.s3.eu-west-3.amazonaws.com/Deployment/get_around_delay_analysis.xlsx" style="text-decoration: none;">données</a>
|
|
nous renseigne sur certains paramètres de location de voiture. Disponible sur le projet github
|
|
<a href="https://github.com/2nzi/JEDHA-Projet-7-GetAround" style="text-decoration: none;">@2nzi</a>.
|
|
<br><br><br>
|
|
""", unsafe_allow_html=True)
|
|
|
|
|
|
st.markdown("""---""")
|
|
st.markdown("""<br>""", unsafe_allow_html=True)
|
|
st.subheader("1] Part des différents types de location")
|
|
|
|
if st.checkbox('Montrer les données brutes'):
|
|
st.subheader('Raw data')
|
|
st.write(data)
|
|
st.markdown("""
|
|
<div style="background-color: #F5EAF4; padding: 10px;">
|
|
|
|
| Nom du champ | Commentaire |
|
|
|-----------------------------------------------|------------------------------------------------------------------------------------------------------------------------------|
|
|
| **rental_id** | Identifiant unique de la location |
|
|
| **car_id** | Identifiant unique de la voiture |
|
|
| **checkin_type** | Flux utilisé pour l'enregistrement et le retour. (c'est-à-dire accès et retour de la voiture) |
|
|
| | - **mobile** : contrat de location signé sur le smartphone du propriétaire |
|
|
| | - **connect** : voiture équipée de la technologie Connect, ouverte par le conducteur avec son smartphone |
|
|
| | *Note : les contrats papier ont été exclus des données car nous n'avons pas de données sur leur retard lors du retour et c'est un cas d'utilisation négligeable* |
|
|
| **state** | annulé signifie que la location n'a pas eu lieu (a été annulée par le conducteur ou le propriétaire). |
|
|
| **delay_at_checkout_in_minutes** | Différence en minutes entre l'heure de fin de location demandée par le conducteur lors de la réservation de la voiture et l'heure réelle à laquelle le conducteur a terminé le retour. Les valeurs négatives signifient que le conducteur a rendu la voiture en avance. |
|
|
| **previous_ended_rental_id** | Identifiant de la location précédente terminée de la voiture (NULL lorsqu'il n'y a pas de location précédente ou que le délai avec la location précédente est supérieur à 12 heures). |
|
|
| **time_delta_with_previous_rental_in_minutes**| Différence en minutes entre l'heure de début prévue de cette location et l'heure de fin prévue de la location précédente (lorsque inférieure à 12 heures, NULL si supérieure). |
|
|
|
|
</div>
|
|
""", unsafe_allow_html=True)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
st.markdown("""
|
|
<br>
|
|
|
|
Deux types de locations existent : Connect & Mobile.
|
|
|
|
**Mobile** : le conducteur et le propriétaire se rencontrent et signent tous deux le contrat de location sur le smartphone du propriétaire.
|
|
|
|
**Connect** : le conducteur ne rencontre pas le propriétaire et ouvre la voiture avec son smartphone.
|
|
""", unsafe_allow_html=True)
|
|
|
|
fig = px.pie(data, values='car_id',names='checkin_type')
|
|
|
|
st.plotly_chart(fig)
|
|
|
|
|
|
|
|
st.subheader("2] Repartition des locations annulées dans chaque type de commande")
|
|
fig = px.histogram(data,x='checkin_type',color='state')
|
|
st.plotly_chart(fig)
|
|
|
|
|
|
col = 'delay_at_checkout_in_minutes'
|
|
col_med = data[col].median()
|
|
col_std = data[col].std()
|
|
lower_bound = col_med - 2 * col_std
|
|
upper_bound = col_med + 2 * col_std
|
|
print(col_med,lower_bound,upper_bound)
|
|
data = data[(data[col] >= lower_bound) & (data[col] <= upper_bound)]
|
|
print('state: ',data['state'].value_counts())
|
|
|
|
|
|
st.subheader("3] Retard des locations")
|
|
|
|
if st.checkbox('Montrer uniquement les voitures en retard',value=True):
|
|
mini = 0
|
|
df = data[data['delay_at_checkout_in_minutes']>mini]
|
|
|
|
else:
|
|
df = data
|
|
mini = int(df['delay_at_checkout_in_minutes'].min())
|
|
|
|
trsh = int(df['delay_at_checkout_in_minutes'].max())
|
|
seuil = st.slider("Choisir le temps de retard en minute", mini, int(df['delay_at_checkout_in_minutes'].max()), int(trsh*0.2))
|
|
maxi = int(df['delay_at_checkout_in_minutes'].max())
|
|
|
|
|
|
|
|
|
|
|
|
|
|
move_upper_mask = df['delay_at_checkout_in_minutes']<seuil
|
|
lower_mask = df['delay_at_checkout_in_minutes']>mini
|
|
global_mask = move_upper_mask & lower_mask
|
|
number_of_rent = len(df[global_mask])
|
|
part_of_rent = 100 * len(df[move_upper_mask]) / len(df)
|
|
|
|
fig_px = px.histogram(df, color='checkin_type', x='delay_at_checkout_in_minutes')
|
|
fig = go.Figure(fig_px)
|
|
|
|
x=seuil
|
|
fig.add_shape(
|
|
type="line",
|
|
x0=x, x1=x, y0=0, y1=1,
|
|
line=dict(color="Green", width=2, dash="dash"),
|
|
xref='x', yref='paper'
|
|
)
|
|
|
|
fig.add_shape(
|
|
type="rect",
|
|
x0=mini, x1=x, y0=0, y1=1,
|
|
fillcolor="Green",
|
|
opacity=0.2,
|
|
line_width=0,
|
|
xref='x', yref='paper'
|
|
)
|
|
|
|
fig.update_layout(
|
|
title="",
|
|
xaxis_title="Delay at Checkout in Minutes",
|
|
yaxis_title="Count"
|
|
)
|
|
|
|
fig.add_annotation(
|
|
x=(x+mini)/2,
|
|
y=0.8,
|
|
xref='x',
|
|
yref='paper',
|
|
text=f"{number_of_rent}",
|
|
showarrow=False,
|
|
font=dict(size=12, color="Green"),
|
|
)
|
|
fig.add_annotation(
|
|
x=(x+mini)/2,
|
|
y=0.9,
|
|
xref='x',
|
|
yref='paper',
|
|
text=f"{part_of_rent:.2f}%",
|
|
|
|
showarrow=False,
|
|
font=dict(size=16, color="Green"),
|
|
)
|
|
|
|
|
|
fig.add_shape(
|
|
type="rect",
|
|
x0=x, x1=maxi, y0=0, y1=1,
|
|
fillcolor="Red",
|
|
opacity=0.2,
|
|
line_width=0,
|
|
xref='x', yref='paper'
|
|
)
|
|
|
|
fig.add_annotation(
|
|
x=(maxi+x)/2,
|
|
y=0.8,
|
|
xref='x',
|
|
yref='paper',
|
|
text=f"{len(df)-number_of_rent}",
|
|
showarrow=False,
|
|
font=dict(size=12, color="Red"),
|
|
)
|
|
fig.add_annotation(
|
|
x=(maxi+x)/2,
|
|
y=0.9,
|
|
xref='x',
|
|
yref='paper',
|
|
text=f"{100-part_of_rent:.2f}%",
|
|
|
|
showarrow=False,
|
|
font=dict(size=16, color="Red"),
|
|
)
|
|
|
|
|
|
st.plotly_chart(fig)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
st.subheader("4] Impact du retard sur les conducteurs suivant")
|
|
|
|
|
|
df_late_impact = df[df['previous_ended_rental_id'].notna()]
|
|
|
|
if st.checkbox('données brutes'):
|
|
|
|
st.write(df_late_impact)
|
|
|
|
|
|
fig_px = px.histogram(df_late_impact, color='checkin_type', x='time_delta_with_previous_rental_in_minutes',nbins=35)
|
|
fig = go.Figure(fig_px)
|
|
|
|
fig.update_layout(
|
|
title="",
|
|
xaxis_title="Delay with the previous rental in Minutes",
|
|
yaxis_title="Count"
|
|
)
|
|
|
|
st.plotly_chart(fig)
|
|
|
|
car_brands = ["Citroën", "Peugeot", "PGO", "Renault", "Audi", "BMW", "other", "Mercedes", "Opel", "Volkswagen", "Ferrari", "Maserati", "Mitsubishi", "Nissan", "SEAT", "Subaru", "Toyota"]
|
|
fuel_types = ["diesel", "petrol", "hybrid_petrol", "electro"]
|
|
paint_colors = ["black", "grey", "white", "red", "silver", "blue", "orange", "beige", "brown", "green"]
|
|
car_types = ["convertible", "coupe", "estate", "hatchback", "sedan", "subcompact", "suv", "van"]
|
|
|
|
st.subheader("5] API de Prédiction de la Valeur des Voitures GetAround")
|
|
|
|
col1, col2, col3 = st.columns(3)
|
|
|
|
with col1:
|
|
marque = st.selectbox("Marque", car_brands, index=3)
|
|
kilometrage = st.number_input("Kilométrage", min_value=0, step=1000, value=10000)
|
|
puissance_moteur = st.number_input("Puissance du Moteur (HP)", min_value=0, step=10, value=100)
|
|
|
|
with col2:
|
|
carburant = st.selectbox("Type de Carburant", fuel_types, index=0)
|
|
couleur_peinture = st.selectbox("Couleur de la Peinture", paint_colors, index=0)
|
|
type_voiture = st.selectbox("Type de Voiture", car_types, index=0)
|
|
|
|
with col3:
|
|
parking_prive_disponible = st.checkbox("Parking Privé", value=True)
|
|
gps_disponible = st.checkbox("GPS Disponible", value=True)
|
|
climatisation_disponible = st.checkbox("Climatisation", value=True)
|
|
voiture_automatique = st.checkbox("Voiture Automatique", value=False)
|
|
getaround_connect_disponible = st.checkbox("GetAround Connect", value=True)
|
|
regulateur_vitesse_disponible = st.checkbox("Régulateur de Vitesse", value=True)
|
|
pneus_hiver = st.checkbox("Pneus Hiver", value=False)
|
|
|
|
url = "https://2nzi-getaroundapi.hf.space/predict"
|
|
|
|
if st.button("Prédire la Valeur de la Voiture"):
|
|
input_data = {
|
|
"brand": marque,
|
|
"mileage": kilometrage,
|
|
"engine_power": puissance_moteur,
|
|
"fuel": carburant,
|
|
"paint_color": couleur_peinture,
|
|
"car_type": type_voiture,
|
|
"private_parking_available": parking_prive_disponible,
|
|
"has_gps": gps_disponible,
|
|
"has_air_conditioning": climatisation_disponible,
|
|
"automatic_car": voiture_automatique,
|
|
"has_getaround_connect": getaround_connect_disponible,
|
|
"has_speed_regulator": regulateur_vitesse_disponible,
|
|
"winter_tires": pneus_hiver
|
|
}
|
|
|
|
response = requests.post(url, params=input_data)
|
|
|
|
if response.status_code == 200:
|
|
result = response.json()
|
|
result = response.json()
|
|
prediction_value = round(result["prediction"], 2)
|
|
st.success(f"Prix de la location {prediction_value} $/jour")
|
|
else:
|
|
st.error(f"Erreur: {response.status_code}")
|
|
st.write(response.text)
|
|
|
|
|
|
st.markdown("""
|
|
<br>
|
|
|
|
<br>
|
|
|
|
""", unsafe_allow_html=True) |