Commit
•
02d0e3d
1
Parent(s):
39dff5a
Add exploration py file
Browse files- exploration.py +383 -0
exploration.py
ADDED
@@ -0,0 +1,383 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
import streamlit as st
|
2 |
+
import pandas as pd
|
3 |
+
import seaborn as sns
|
4 |
+
import numpy as np
|
5 |
+
import os
|
6 |
+
import random
|
7 |
+
import matplotlib.pyplot as plt
|
8 |
+
import matplotlib.image as mpimg
|
9 |
+
import plotly.express as px
|
10 |
+
from plotly.subplots import make_subplots
|
11 |
+
import plotly.graph_objects as go
|
12 |
+
from PIL import Image
|
13 |
+
from custom_functions import calc_mean_intensity, source_extract
|
14 |
+
|
15 |
+
df_images = pd.read_csv('data\df_images.csv')
|
16 |
+
df_masks = pd.read_csv('data\df_masks.csv')
|
17 |
+
df_combined = pd.read_csv('data\df_combined.csv')
|
18 |
+
df_metadata = pd.read_csv('data\df_metadata.csv')
|
19 |
+
|
20 |
+
def show_exploration():
|
21 |
+
# Style des onglets
|
22 |
+
st.markdown("""
|
23 |
+
<style>
|
24 |
+
.stTabs [data-baseweb="tab-list"] {
|
25 |
+
display: flex;
|
26 |
+
gap: 10px;
|
27 |
+
}
|
28 |
+
|
29 |
+
.stTabs [data-baseweb="tab"] {
|
30 |
+
padding: 10px 15px;
|
31 |
+
border: 1px solid transparent;
|
32 |
+
border-radius: 5px 5px 0 0;
|
33 |
+
background-color: transparent;
|
34 |
+
cursor: pointer;
|
35 |
+
transition: all 0.3s ease;
|
36 |
+
}
|
37 |
+
|
38 |
+
.stTabs [data-baseweb="tab"]:hover {
|
39 |
+
background-color: #8f8d9b;
|
40 |
+
}
|
41 |
+
|
42 |
+
.stTabs [aria-selected="true"] {
|
43 |
+
background-color: #57546a;
|
44 |
+
border-color: #ccc;
|
45 |
+
border-bottom-color: transparent;
|
46 |
+
}
|
47 |
+
</style>""", unsafe_allow_html = True)
|
48 |
+
|
49 |
+
tab1, tab2 = st.tabs(["🗂️ Métadonnées", "🖼️ Images & masques"])
|
50 |
+
|
51 |
+
### Premier onglet
|
52 |
+
with tab1:
|
53 |
+
st.header("Exploration des métadonnées")
|
54 |
+
st.markdown('''
|
55 |
+
Nous avons à notre disposition un important jeu de données provenant de [Kaggle](https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database).
|
56 |
+
Il s'agit de 21 165 images de radiographies pulmonaires labellisées dans leur nom, ainsi qu'autant de masques basiques associés aux images. De plus, quatre fichiers de métadonnées au format *.xlxs sont disponibles en accompagnement des quatre catégories.
|
57 |
+
|
58 |
+
Au regard du peu d'informations présents dans les métadonnées, nous avons cherché à créer un nouveau tableau plus complet, nous permettant d'appréhender plus efficacement le jeu de données. Cette démarche nous a permis de détecter de nombreuses erreurs.
|
59 |
+
''')
|
60 |
+
|
61 |
+
col1, col2 = st.columns([1, 1])
|
62 |
+
|
63 |
+
with col1:
|
64 |
+
st.subheader("Métadonnées fournies")
|
65 |
+
st.dataframe(df_metadata.head())
|
66 |
+
|
67 |
+
## Valeurs uniques
|
68 |
+
unique_format = df_metadata["FORMAT"].unique()
|
69 |
+
unique_format = ", ".join(map(str, unique_format))
|
70 |
+
unique_resolution = df_metadata["SIZE"].unique()
|
71 |
+
unique_resolution = ", ".join(map(str, unique_resolution))
|
72 |
+
|
73 |
+
data = [
|
74 |
+
("Liste des résolutions", unique_resolution),
|
75 |
+
("Liste des formats", unique_format),
|
76 |
+
("Nombre d'images", len(df_metadata))
|
77 |
+
]
|
78 |
+
|
79 |
+
# Créer le DataFrame à partir de la liste de tuples
|
80 |
+
df2 = pd.DataFrame(data, columns = ["Titre", "Variable"])
|
81 |
+
|
82 |
+
# Convertir le dataframe en HTML avec les styles CSS
|
83 |
+
html_table2 = df2.to_html(index = False, header = False, justify = 'center', classes = 'styled-table', border = 0)
|
84 |
+
|
85 |
+
# Afficher le HTML dans Streamlit avec la largeur calculée
|
86 |
+
st.markdown(f"<div style='border: 1px solid white; border-radius: 5px; padding: 10px; background-color: #343434; line-height: 1; width: 270px; margin: 0 auto;'>{html_table2}</div>", unsafe_allow_html=True)
|
87 |
+
|
88 |
+
with col2:
|
89 |
+
st.subheader("Métadonnées réelles")
|
90 |
+
st.dataframe(df_images.head())
|
91 |
+
|
92 |
+
## Valeurs uniques
|
93 |
+
unique_classes = df_images['LABEL'].unique()
|
94 |
+
unique_classes = ", ".join(map(str, unique_classes))
|
95 |
+
unique_sources = df_images['SOURCE'].dropna().unique()
|
96 |
+
unique_sources = ", ".join(map(str, unique_sources))
|
97 |
+
unique_format = df_images["FORMAT"].unique()
|
98 |
+
unique_format = ", ".join(map(str, unique_format))
|
99 |
+
unique_resolution = df_images["SIZE"].unique()
|
100 |
+
unique_resolution = ", ".join(map(str, unique_resolution))
|
101 |
+
unique_channel = df_images["CHANNELS"].unique()
|
102 |
+
unique_channel = ", ".join(map(str, unique_channel))
|
103 |
+
|
104 |
+
data = [
|
105 |
+
("Liste des résolutions", unique_resolution),
|
106 |
+
("Liste des formats", unique_format),
|
107 |
+
("Liste des classes", unique_classes),
|
108 |
+
("Liste des sources", unique_sources),
|
109 |
+
("Nombre de canaux", unique_channel),
|
110 |
+
("Nombre d'images", len(df_images))
|
111 |
+
]
|
112 |
+
|
113 |
+
# Créer le DataFrame à partir de la liste de tuples
|
114 |
+
df = pd.DataFrame(data, columns = ["Titre", "Variable"])
|
115 |
+
|
116 |
+
# Convertir le dataframe en HTML avec les styles CSS
|
117 |
+
html_table = df.to_html(index = False, header = False, justify = 'center', classes = 'styled-table', border = 0)
|
118 |
+
|
119 |
+
# Afficher le HTML dans Streamlit avec la largeur calculée
|
120 |
+
st.markdown(f"<div style='border: 1px solid white; border-radius: 5px; padding: 10px; background-color: #343434; line-height: 1; width: 616px; margin: 0 auto;'>{html_table}</div>", unsafe_allow_html=True)
|
121 |
+
|
122 |
+
|
123 |
+
# ==================================================================================================
|
124 |
+
# ==================================================================================================
|
125 |
+
|
126 |
+
st.header("Analyse du nombre d'images")
|
127 |
+
|
128 |
+
col1, col2 = st.columns([0.4, 0.6])
|
129 |
+
|
130 |
+
with col1:
|
131 |
+
## Countplot
|
132 |
+
# Preprocess des données pour affichage
|
133 |
+
total_images = df_images.groupby('LABEL').size().reset_index(name='Total Images')
|
134 |
+
max_values = df_images.groupby('LABEL')['LABEL'].count().reset_index(name='Max Images')
|
135 |
+
df_merged = pd.merge(total_images, max_values, on='LABEL')
|
136 |
+
df_sorted = df_merged.sort_values('Total Images', ascending = False)
|
137 |
+
|
138 |
+
palette = {'Normal': '#A1C9F4', 'Lung_Opacity': '#8DE5A1', 'COVID': '#FFB482', 'Viral Pneumonia': '#D0BBFF'}
|
139 |
+
|
140 |
+
# Création du graphique Plotly avec affichage des valeurs maximales uniquement au survol
|
141 |
+
fig = px.bar(df_sorted, x = 'LABEL', y = 'Total Images', color = 'LABEL',
|
142 |
+
color_discrete_map = palette,
|
143 |
+
title = "Distribution du nombre d'images par LABEL",
|
144 |
+
labels = {'LABEL': 'Label', 'Total Images': 'Nombre d\'images', 'Max Images': 'Nombre maximal d\'images'},
|
145 |
+
hover_data = {'LABEL': False, 'Max Images': True, 'Total Images': False}
|
146 |
+
)
|
147 |
+
|
148 |
+
fig.update_layout(
|
149 |
+
xaxis_title = 'Label',
|
150 |
+
yaxis_title = "Nombre d'images",
|
151 |
+
showlegend = True,
|
152 |
+
bargap = 0.2, # Espace entre les barres
|
153 |
+
width = 600,
|
154 |
+
height = 500
|
155 |
+
)
|
156 |
+
|
157 |
+
st.plotly_chart(fig)
|
158 |
+
|
159 |
+
with col2:
|
160 |
+
st.markdown("Les classes sont particulièrement déséquilibrées, il est cependant intéressant de constater que la classe minoritaire contient tout de même 1345 images.")
|
161 |
+
|
162 |
+
st.header("", divider = 'gray')
|
163 |
+
|
164 |
+
# ==================================================================================================
|
165 |
+
# ==================================================================================================
|
166 |
+
|
167 |
+
col1, col2 = st.columns([0.5, 0.5])
|
168 |
+
|
169 |
+
with col1:
|
170 |
+
## Pieplot
|
171 |
+
# Supposons que df_images est votre DataFrame et 'SOURCE' est la colonne d'intérêt
|
172 |
+
source_counts = df_images['SOURCE'].value_counts()
|
173 |
+
|
174 |
+
# Création d'un graphique pie avec Plotly
|
175 |
+
fig = px.pie(
|
176 |
+
values = source_counts.values,
|
177 |
+
names = source_counts.index,
|
178 |
+
title = 'Répartition des sources des images',
|
179 |
+
hole = 0.5,
|
180 |
+
color_discrete_sequence = px.colors.qualitative.Pastel
|
181 |
+
)
|
182 |
+
|
183 |
+
fig.update_traces(
|
184 |
+
textinfo = 'label+percent',
|
185 |
+
marker = dict(line = dict(color = 'black', width = 1)),
|
186 |
+
)
|
187 |
+
|
188 |
+
fig.update_layout(
|
189 |
+
showlegend = True,
|
190 |
+
width = 700,
|
191 |
+
height = 700
|
192 |
+
)
|
193 |
+
|
194 |
+
# Affichage du graphique avec Streamlit
|
195 |
+
st.plotly_chart(fig)
|
196 |
+
|
197 |
+
with col2:
|
198 |
+
## Barplot
|
199 |
+
df_count = df_images.groupby(['SOURCE', 'LABEL']).size().reset_index(name='NOMBRE_IMAGES')
|
200 |
+
|
201 |
+
# Créer un graphique empilé avec Plotly
|
202 |
+
fig2 = px.bar(df_count, x='SOURCE', y='NOMBRE_IMAGES', color='LABEL', barmode='stack',
|
203 |
+
title='Nombre d\'images par label et par source',
|
204 |
+
labels={'NOMBRE_IMAGES': 'Nombre d\'images', 'LABEL': 'Label', 'SOURCE': 'Source'},
|
205 |
+
color_discrete_sequence = px.colors.qualitative.Pastel)
|
206 |
+
|
207 |
+
fig2.update_traces(
|
208 |
+
marker = dict(line = dict(color = 'black', width = 1)),
|
209 |
+
)
|
210 |
+
|
211 |
+
fig2.update_layout(
|
212 |
+
showlegend = True,
|
213 |
+
width = 700,
|
214 |
+
height = 700
|
215 |
+
)
|
216 |
+
# Affichage du graphique avec Streamlit
|
217 |
+
st.plotly_chart(fig2)
|
218 |
+
|
219 |
+
|
220 |
+
### Deuxième onglet
|
221 |
+
with tab2:
|
222 |
+
st.header("Exploration des images")
|
223 |
+
|
224 |
+
## Affichage d'une image aléatoire pour chaque catégorie
|
225 |
+
dossier_radio = "radios/"
|
226 |
+
sous_dossiers = [d for d in os.listdir(dossier_radio) if os.path.isdir(os.path.join(dossier_radio, d))]
|
227 |
+
|
228 |
+
st.info("Cliquez sur le boutton ci-dessous pour afficher un échantillon d'images", icon="ℹ️")
|
229 |
+
if st.button("Afficher une image aléatoire de chaque LABEL"):
|
230 |
+
cols = st.columns(len(sous_dossiers))
|
231 |
+
for i, sous_dossier in enumerate(sous_dossiers):
|
232 |
+
sous_dossier_path = os.path.join(dossier_radio, sous_dossier)
|
233 |
+
|
234 |
+
fichiers_images = [f for f in os.listdir(sous_dossier_path) if f.endswith(('.png', '.jpg', '.jpeg'))]
|
235 |
+
|
236 |
+
if fichiers_images:
|
237 |
+
image_selectionnee = random.choice(fichiers_images)
|
238 |
+
image_path = os.path.join(sous_dossier_path, image_selectionnee)
|
239 |
+
|
240 |
+
with open(image_path, "rb") as f:
|
241 |
+
image = Image.open(f)
|
242 |
+
cols[i].image(image, caption=f"{sous_dossier}", use_column_width = "auto", width = 299)
|
243 |
+
st.success('Images affichées avec succès !', icon = "✅")
|
244 |
+
st.markdown('''
|
245 |
+
Nous pouvons remarquer que les images sont toutes en nuances de gris, malgré leur nombre de canaux quelques fois différent.
|
246 |
+
De plus, toutes les radiographies semblent avoir été prises selon une méthode standard, mettant bien les poumons au centre de l'image.
|
247 |
+
Quelques variations peuvent cependant apparaître (bras vers le haut, artefacts visuels, annotations, etc.)
|
248 |
+
''')
|
249 |
+
st.header("", divider = 'gray')
|
250 |
+
|
251 |
+
# ==================================================================================================
|
252 |
+
# ==================================================================================================
|
253 |
+
|
254 |
+
col1, col2 = st.columns([0.6, 0.4])
|
255 |
+
|
256 |
+
with col1:
|
257 |
+
## Violintplot
|
258 |
+
palette = {
|
259 |
+
'Normal (Sans masque)': '#A1C9F4',
|
260 |
+
'Normal (Avec masque)': '#517EA4',
|
261 |
+
'Lung_Opacity (Sans masque)': '#8DE5A1',
|
262 |
+
'Lung_Opacity (Avec masque)': '#4E7D51',
|
263 |
+
'COVID (Sans masque)': '#FFB482',
|
264 |
+
'COVID (Avec masque)': '#BF6D41',
|
265 |
+
'Viral Pneumonia (Sans masque)': '#D0BBFF',
|
266 |
+
'Viral Pneumonia (Avec masque)': '#7E6CBF'
|
267 |
+
}
|
268 |
+
|
269 |
+
new_labels = ['COVID\nAvec masque', 'COVID\nSans masque',
|
270 |
+
'Lung_Opacity\nAvec masque', 'Lung_Opacity\nSans masque',
|
271 |
+
'Normal\nAvec masque', 'Normal\nSans masque',
|
272 |
+
'Viral Pneumonia\nAvec masque', 'Viral Pneumonia\nSans masque']
|
273 |
+
|
274 |
+
# Création du graphique Plotly
|
275 |
+
fig = px.violin(df_combined, x = 'Label_Masque', y = 'COMBINED_INTENSITY',
|
276 |
+
violinmode = 'overlay',
|
277 |
+
color = 'Label_Masque',
|
278 |
+
color_discrete_map = palette,
|
279 |
+
category_orders = {'Label_Masque': new_labels},
|
280 |
+
title = "Distribution de l'intensité lumineuse moyenne normalisée",
|
281 |
+
labels = {'Label_Masque': ''},
|
282 |
+
)
|
283 |
+
|
284 |
+
# Mise en forme du graphique
|
285 |
+
fig.update_layout(
|
286 |
+
yaxis_title = 'Intensité lumineuse moyenne',
|
287 |
+
xaxis_title = '',
|
288 |
+
width = 1000,
|
289 |
+
height = 600
|
290 |
+
)
|
291 |
+
|
292 |
+
# Affichage du graphique
|
293 |
+
st.plotly_chart(fig)
|
294 |
+
|
295 |
+
with col2:
|
296 |
+
st.markdown('''
|
297 |
+
L'application des masques réduit considérablement l'intensité lumineuse moyenne des images.
|
298 |
+
Ce comportement est tout à fait normal car les masques noircient les parties non pertinentes et font ainsi tendre la moyenne des pixels vers 0.
|
299 |
+
|
300 |
+
Ainsi, les valeurs restantes sont les valeurs ayant de la pertinence dans ce que nous cherchons à faire observer au modèle.
|
301 |
+
Mais ceci peut aussi entrainer une diminution de la variabilité des images, pouvant entrainer plus de difficultés à la généralisation.
|
302 |
+
De plus, ceci génère une contrainte supplémentaire lors du déploiement du modèle, nécessitant d'appliquer un masque spécifique aux nouvelles données avant introduction dans le modèle.
|
303 |
+
''')
|
304 |
+
|
305 |
+
st.header("", divider = 'gray')
|
306 |
+
|
307 |
+
# ==================================================================================================
|
308 |
+
# ==================================================================================================
|
309 |
+
|
310 |
+
## Histogramme de la fréquence de l'intensité des pixels
|
311 |
+
palette_list = ['#A1C9F4','#8DE5A1','#FFB482', '#D0BBFF']
|
312 |
+
|
313 |
+
st.info("Cliquez sur le bouton ci-dessous pour afficher un échantillon d'images et leur histogramme", icon="ℹ️")
|
314 |
+
if st.button("Afficher la fréquence de l'intensité des pixels"):
|
315 |
+
# Créer une ligne avec quatre colonnes
|
316 |
+
cols = st.columns(4)
|
317 |
+
for idx, sous_dossier in enumerate(sous_dossiers):
|
318 |
+
sous_dossier_path = os.path.join(dossier_radio, sous_dossier)
|
319 |
+
fichiers_images = [f for f in os.listdir(sous_dossier_path) if f.endswith(('.png', '.jpg', '.jpeg'))]
|
320 |
+
|
321 |
+
if fichiers_images:
|
322 |
+
image_selectionnee = random.choice(fichiers_images)
|
323 |
+
image_path = os.path.join(sous_dossier_path, image_selectionnee)
|
324 |
+
|
325 |
+
with open(image_path, "rb") as f:
|
326 |
+
image = Image.open(f)
|
327 |
+
# Afficher l'image avec sa véritable résolution sans agrandissement
|
328 |
+
cols[idx].image(image, caption=f"{sous_dossier}", width = image.width, use_column_width = "auto")
|
329 |
+
|
330 |
+
image_array = np.array(image)
|
331 |
+
if len(image_array.shape) == 3:
|
332 |
+
image_array = image_array.mean(axis=2)
|
333 |
+
|
334 |
+
filtered_array = image_array[image_array > 0]
|
335 |
+
hist_values, bin_edges = np.histogram(filtered_array, bins=255, range=(0, 256))
|
336 |
+
|
337 |
+
# Création de l'histogramme avec Plotly
|
338 |
+
fig = px.bar(
|
339 |
+
x=bin_edges[:-1],
|
340 |
+
y=hist_values,
|
341 |
+
labels={'x': 'Intensité des pixels', 'y': 'Nombre de pixels'},
|
342 |
+
color_discrete_sequence=[palette_list[idx]]
|
343 |
+
)
|
344 |
+
cols[idx].plotly_chart(fig, use_container_width=True)
|
345 |
+
st.success('Histogrammes générés avec succès !', icon="✅")
|
346 |
+
st.header("", divider='gray')
|
347 |
+
|
348 |
+
# ==================================================================================================
|
349 |
+
# ==================================================================================================
|
350 |
+
|
351 |
+
col1, col2 = st.columns([0.4, 0.6])
|
352 |
+
|
353 |
+
with col1:
|
354 |
+
st.markdown('''
|
355 |
+
La surface utile des masques est l'ensemble des pixels apportant de l'information dans l'analyse de notre problématique.
|
356 |
+
En pratique, il s'agit de l'ensemble des pixels définissant les poumons sur la radiographie.
|
357 |
+
Des éléments artefactuels peu commun sur la radiographies hors des poumons peut générer de la variabilité que le modèle va prendre en compte, le poussant alors à "observer" des zones qui ne sont pas pertinentes pour notre problématique.
|
358 |
+
C'est là que l'application des masques pour limiter la "vision" du modèle aux poumons peut s'avérer utile.
|
359 |
+
''')
|
360 |
+
|
361 |
+
with col2:
|
362 |
+
## Surface utile
|
363 |
+
# Création de l'histogramme avec Plotly Express
|
364 |
+
fig2 = px.histogram(df_masks, x = 'RATIO', color = 'LABEL',
|
365 |
+
nbins = 70,
|
366 |
+
barmode = 'overlay', # Superpose les distributions
|
367 |
+
color_discrete_sequence = ['#A1C9F4', '#8DE5A1', '#FFB482', '#D0BBFF'], # Palette de couleurs
|
368 |
+
opacity = 0.75)
|
369 |
+
|
370 |
+
# Personnalisation supplémentaire
|
371 |
+
fig2.update_traces(marker_line_color = 'gray', marker_line_width = 1.5) # Ajouter la bordure de barre
|
372 |
+
fig2.update_layout(
|
373 |
+
title = 'Ratio de la surface utile en appliquant les masques',
|
374 |
+
xaxis_title = 'Ratio',
|
375 |
+
yaxis_title = 'Nombre de cas',
|
376 |
+
legend_title = 'Label',
|
377 |
+
height = 500,
|
378 |
+
width = 800
|
379 |
+
)
|
380 |
+
|
381 |
+
# Affichage du graphique
|
382 |
+
st.plotly_chart(fig2)
|
383 |
+
|