Create app.py

app.py

@@ -0,0 +1,566 @@
+import streamlit as st
+import pandas as pd 
+import seaborn as sns
+import matplotlib.pyplot as plt
+import pickle
+import numpy as np
+import base64
+import streamlit_authenticator as stauth
+from authenticator import sign_up, fetch_users
+from pycaret.classification import load_model, predict_model
+import joblib
+import altair as alt
+
+
+# ici c'est le logo de mon application web
+st.set_page_config(page_title='CreditGuard Pro', page_icon='🏛', initial_sidebar_state='collapsed')
+
+# conditions pour l'authentification et de connection a internet 
+try:
+    users = fetch_users()
+    emails = [] 
+    usernames = []
+    passwords = []
+
+    for user in users:
+        emails.append(user['key'])
+        usernames.append(user['username'])
+        passwords.append(user['password'])
+
+    credentials = {'usernames': {}} 
+    for index in range(len(emails)):
+        credentials['usernames'][usernames[index]] = {'name': emails[index], 'password': passwords[index]}
+
+    Authenticator = stauth.Authenticate(credentials, cookie_name='Streamlit', key='abcdef', cookie_expiry_days=4)
+
+    email, authentication_status, username = Authenticator.login(':green[Login]', 'main')
+
+    info, info1 = st.columns(2)
+
+    if not authentication_status:
+        sign_up()
+
+    if username:
+        if username in usernames:
+            if authentication_status:
+                # let User see app
+                 
+
+    # Contenu de la page
+                
+                    
+                #code de la page d'accuille et les menus 
+                st.sidebar.image("CFC.png",width=220)
+                st.sidebar.subheader(f'Welcome :orange[{email}]')
+                Authenticator.logout('Log Out', 'sidebar')
+                
+                st.set_option('deprecation.showPyplotGlobalUse', False)
+
+                #fonction qui  est sensé garde j'etat d'une page
+                @st.cache_data
+                def load_data(dataset):
+                    df = pd.read_csv(dataset)
+                    return df
+                
+                #image de fond 
+                def get_img_as_base64(file):
+                    with open(file, "rb") as f:
+                        data = f.read()
+                    return base64.b64encode(data).decode()
+                
+                img = get_img_as_base64("imagebare2.jpg")
+
+                
+                
+                # création des differents menus 
+                menu=["ACCUEIL","ANALYSE DES DONNÉES","VISUALISATION","CLASSIFICATION","PRÉDICTION"]  
+                choice = st.sidebar.selectbox("selectionne un Menu",menu)
+                
+                #les differents menus et les fonctionalités
+
+                #menu HOME
+
+                if choice == "ACCUEIL":
+
+                    #Image de fond du menu
+                    page_bg_img = f"""
+                    <style>
+                    [data-testid="stAppViewContainer"] > .main {{
+                    background-image: url("https://www.creditfoncier.cm/images/revslider/uploads/slides-1bis_1.jpg");
+                    background-size: 5000%;
+                    background-position: top left;
+                    background-repeat: no-repeat;
+                    background-attachment: local;
+                    }}
+
+                    [data-testid="stSidebar"] > div:first-child {{
+                    background-image: url("data:image/png;base64,{img}");
+                    background-position: top lef; 
+                    background-repeat: no-repeat;
+                    background-attachment: fixed;
+                    }}
+
+                    [data-testid="stHeader"] {{
+                    background: rgba(0,0,0,0);
+                    }}
+
+                    [data-testid="stToolbar"] {{
+                    right: 2rem;
+                    }}
+                    </style>
+                    """
+
+                    st.markdown(page_bg_img, unsafe_allow_html=True)# condition pour autoriser le CSS et le HTML
+
+                    left,middle,right = st.columns((2,3,2))
+                    with middle:
+                        st.image("logo_CFC.png",width=300)
+                    st.markdown("<h1 style='text-align:center;color: orange;'>CREDIT FONCIER DU CAMEROUN </h1>",unsafe_allow_html=True)
+                    st.write("<h2 style='text-align:center;color: black;'>Vous loger,notre seul souci.</h2>",unsafe_allow_html=True)
+                        
+
+                    
+                    #bande deroulente pour la decription du CFC
+                    expander = st.expander("DESCRIPTION DE L'APPLICATION")
+                    expander.write("""
+                    L'application CreditGuard Pro est une application conçue pour résoudre les problèmes de prise de décision automatisée 
+                    pour l'octroi de prêt classique ordinaire au sein du CFC. Grâce à des techniques avancées de machine Learning,
+                    l'application analyse les profits des demandeurs de prêt en se basant sur des differentes paramètres pertinents. 
+                    Elle génère ensuite des évaluations de risque précises et rapides, permettant au CFC de prendre des décisions
+                    éclairées et efficentes en matière d'octroi de prêts. L'application CreditGuard Pro vise à améliorer la précision des décisions
+                    de crédit tout en optimisant le processus global d'octroi de prêts, ce qui contribue à renforcer la qualité des services
+                    financiers du CFC.
+                        
+                    """)# mettre une description ici
+                    expander.image("https://www.creditfoncier.cm/images/revslider/uploads/slides-1bis_1.jpg")#image qui parle du CFC avec la main et le maison
+
+                         
+
+                    #bande deroulante pour les services qu'offre le cfc
+                    expander = st.expander("SERVICES QU'OFFRE CreditGuard Pro")
+                    expander.write("""
+                        -I- la classification des individus à risque ou pas pour le remboursement d'un credit reçu. 
+                    """)# mettre une description ici
+                    expander.image("https://media.istockphoto.com/id/1347375207/fr/photo/mains-tenant-le-visage-triste-cach%C3%A9-derri%C3%A8re-un-visage-heureux-bipolaire-et-d%C3%A9pression-sant%C3%A9.webp?b=1&s=612x612&w=0&k=20&c=Cv6RY2Io-HTM8sN-5I587k4BruOAadtkotU8R3r83cM=")
+                    expander.write("""
+
+
+
+                    """)
+                    expander.write("""
+                        -II- La proportion  des individus qui ont  reçus un prêt et ont rembousés et la proportion des individus qui ont reçus un prêt et n'ont pas rembousés  
+                    """)
+                    expander.image("cercle de risque.png")
+                    expander = st.expander("GUIDE D'UTILISATION")
+                    expander.write("""
+                        
+                    """)# mettre une description ici
+                    expander.write("Étape 1 (authentification)")
+                    expander.write("""-------""")
+                    expander.image("aide1.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 2 (authentification)")
+                    expander.write("""-------""")
+                    expander.image("aide2.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 3 (Accuiel après)")
+                    expander.write("""-------""")
+                    expander.image("aide3.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 4 (pour la barre de sélection des menus )")
+                    expander.write("""-------""")
+                    expander.image("aide4.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 5")
+                    expander.write("""-------""")
+                    expander.image("aide5.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 6 (selection d'un menu")
+                    expander.write("""-------""")
+                    expander.image("aide6.JPG")
+                    expander.write("""-------""")
+                    expander.write("Étape 7 (Exemple de menu : menu CLASSIFICATION)")
+                    expander.write("""-------""")
+                    expander.image("aide7.JPG")
+
+
+                        
+                    #page
+
+                #menu DATA ANALYSIS
+
+                if choice == "ANALYSE DES DONNÉES":
+                    #image de font 
+
+                    page_bg_img = f"""
+                    <style>
+                    [data-testid="stAppViewContainer"] > .main {{
+                    background-image: url("https://cdn.pixabay.com/photo/2017/02/26/12/38/sunset-2100140_640.jpg");
+                    background-size: 700%;
+                    background-position: top left;
+                    background-repeat: no-repeat;
+                    background-attachment: local;
+                    }}
+
+                    [data-testid="stSidebar"] > div:first-child {{
+                    background-image: url("data:image/png;base64,{img}");
+                    background-position: top lef; 
+                    background-repeat: no-repeat;
+                    background-attachment: fixed;
+                    }}
+
+                    [data-testid="stHeader"] {{
+                    background: rgba(0,0,0,0);
+                    }}
+
+                    [data-testid="stToolbar"] {{
+                    right: 2rem;
+                    }}
+                    </style>
+                    """
+                    st.markdown(page_bg_img, unsafe_allow_html=True)
+
+                    st.markdown("<h1 style='text-align:center;color: red;'>ANALYSE DE DONNÉES </h1>",unsafe_allow_html=True)
+                    st.write ("<br><br>",unsafe_allow_html=True)
+                    tb, tb1, tb2 = st.tabs([":clipboard: Dataset",":bar_chart: summary",":chart_with_upwards_trend: correlation"])
+                    data = load_data("credit_risk_dataset.csv")
+
+                    with tb: #display les 5 premières lignes de notre dataset 
+                        st.subheader("Credit risk Dataset")
+                        st.write(data.head(10))
+                        st.write("""-------""")
+                        st.write("Notre dataset qui port sur le Credit Risk joue un rôle fondamental pour les analyses, les visualisations, les classifications et les predictions")
+                        st.write("- Person_age: représente l'âge des individus")
+                        st.write("- Person_icome: représente le revenu annuel")
+                        st.write("- Person_home_ownership: représente l'accesion à al propriété.")
+                        st.write("- Preson_emp_length: représente la durée de l'emploi (en années)")
+                        st.write("- loan_intent: représente l'intention de prêt")
+                        st.write("- loan_grade: représente la catégorie de prêt")
+                        st.write("- loan_amnt: représente le montant du prêt")
+                        st.write("- loan_int_rate: représente le taux d'intérêt")
+                        st.write("- loan_status: représente le statu du prêt ( accorder ou pas)")
+                        st.write("- loan_percent_income: représente le pourcentage de revenu")
+                        st.write("- loan_person_default_on_file: représente le défaut historique")
+                        st.write("- loan_person_cred_hist_length: représente la durée de l'historique de crédit")
+                        st.write("""-------""")
+                        
+
+                    with tb1:
+
+                            #AFFICHER LE SUMMARY
+                        st.subheader("TABLEAU DE SUMMARY ")
+                        st.write(data.describe().head(8))
+                        st.write("""-------""")
+                        st.write("COUNT : fait référence au nombre total d'observations (ou d'echantillons) présentes dans un ensemble de données pour une variable particulière. C'est une mesure statistique fondamentale qui indique combien de fois une certaine valeur ou catégorie apparaît dans la variable.")
+                        st.write("""-------""")
+                        st.write("MEAN: fait référence à la moyenne des valeurs d'une variable numérique. c'est une mesure statistique couramment utilisée pour représenter la valeur centrale d'une distribution de données.")
+                        st.write("""-------""")
+                        st.write("STD: fait référence à l'écart-type(standard deviation en anglais) d'une variable numerique. l'écart-type étant une mesure statistique qui indique à quel point les valeurs d'une distribution dde données sont dispersées par rapport à la moyenne (MEAN).")
+                        st.write("""-------""")
+                        st.write("25%: sont appelé le premier quartile, qui représente le point auquel 25 pour-cent des données dans une distribution sont inférieures et 75 pour-cent sont supérieures. C'est un indicateur de la dispersion des données dans la partie inférieure de la distribution")
+                        st.write("""-------""")
+                        st.write("50%: souvant appelé la médiane ou le deuxième quartile, représente la valeur qui divise les données en deux parties égales: 50 pour-cent des données sont en dessous de cette valeur et 50 pour-cent au dessus")
+                        st.write("""-------""")
+                        st.write("75%: appelé le troisième quartile il représente la valeur qui divise les données en deux parties: 25 pour-cent des données sont en dessous de cette valur et 75 pour-cent sont au-dessus")
+                        st.write("""-------""")
+                        st.write("MAX: représente la valeur maximale observée dans un ensemble de données. En d'autre termes, c'est la plus grande valeur parmit toutes les valeurs présentes dans le jeu de données.")
+                        
+                        #AFFICHER LA MATRIXE DE CORELATION
+                    with tb2:
+                        st.subheader("MATRICE DE CORRÉLATION")
+                        fig = plt.figure(figsize=(15,15))
+                        st.write(sns.heatmap(data.corr(), annot=True))
+                        st.pyplot(fig)
+
+                        st.write("""-------""")
+                        st.write("La Matrice de Corrélation joue un rôle crucial dans l'analyse et la visualisation des relations entre les différentes caractéristiques(variable) présentes dans notre ensemble de données.")
+                        st.write("- Elle identifi des relations entre les variable")
+                        st.write("- Sélectionne des caractéristiques")
+                        st.write("- Visualise des relations")
+                        st.write("- Détecte des anomalies")
+                        st.write("- Effectue une prise de décision")
+                        st.write("""-------""")
+                    
+                    
+                        # afficher la figure 
+
+                        #fig , ax = plt.histplot()
+                        #ax.bar(data["loan_amnt"], data["person_age"])
+                        #plt.xlabel("person_age")
+                        #plt.ylabel("loan_amnt")
+                        #plt.title('Presentation.......')
+                        #afficher le graphique
+
+                #menu DATA VISUALISATION
+
+                if choice == "VISUALISATION":
+
+                    #image de font 
+
+                    page_bg_img = f"""
+                    <style>
+                    [data-testid="stAppViewContainer"] > .main {{
+                    background-image: url("https://cdn.pixabay.com/photo/2017/10/05/10/59/background-2819026_640.jpg");
+                    background-size: 700%;
+                    background-position: center;
+                    background-repeat: no-repeat;
+                    background-attachment: local;
+                    }}
+
+                    [data-testid="stSidebar"] > div:first-child {{
+                    background-image: url("data:image/png;base64,{img}");
+                    background-position: top lef; 
+                    background-repeat: no-repeat;
+                    background-attachment: fixed;
+                    }}
+
+                    [data-testid="stHeader"] {{
+                    background: rgba(0,0,0,0);
+                    }}
+
+                    [data-testid="stToolbar"] {{
+                    right: 2rem;
+                    }}
+                    </style>
+                    """
+                    st.markdown(page_bg_img, unsafe_allow_html=True)
+
+                    st.markdown("<h1 style='text-align:center;color: red;'>VISUALISATION GRAPHIQUE </h1>",unsafe_allow_html=True)
+                    data = load_data("credit_risk_dataset.csv")
+                    st.write(data.head(5))
+
+                    #representation du Countplot
+                    if st.checkbox("Countplot"):
+                        #parametres de visualisation
+                        x_variable = st.selectbox("variable X",data.columns)
+                        #y_variable = st.selectbox("variable Y",data.columns)
+                        #color_variable = st.selectbox("variable de couleur",data.columns)
+                        #crée le graphique
+                        fig = plt.figure(figsize = (13,13))
+                        sns.countplot(x=x_variable,data=data)
+                        st.pyplot(fig)
+                    
+                    #representation du scatterplot
+                    if st.checkbox(" REPRESENTATION "):
+                        fig = plt.figure(figsize = (8,8))
+                        data = load_data('credit_risk_dataset.csv')
+                        sns.scatterplot(x="person_age",y="loan_amnt",data=data,hue="loan_status")
+                        st.pyplot(fig)
+
+
+                    #representation de l'importance des colonnes 
+                    if st.checkbox("Importance des colonnes"):
+                        #visualiser l'importance des colonnes
+                        model=joblib.load('credit_risk_prop.pkl')
+                        feature_importances = model.feature_importances_
+                        #recupération des noms de colonnes
+                        column_names = data.columns
+                        #creation d'un dictionnaire pour assoicier chaque colonne à son importance
+                        feature_importances_dict = dict(zip(column_names, feature_importances))
+                        #tri des colonnes par importance décroissante
+                        sorted_features = sorted(feature_importances_dict.items(),key = lambda x:[1], reverse=True)
+
+                        #extration des noms de colonnes trié et de leurs importances
+                        sorted_columns, sorted_importances = zip(*sorted_features)
+                        fig, ax = plt.subplots (figsize=(10,6))
+                        ax.bar(sorted_columns, sorted_importances)
+                        ax.set_xticklabels(sorted_columns, rotation = 90)
+                        ax.set_xlabel('colonnes')
+                        ax.set_ylabel('Importance')
+                        ax.set_title ('Importance des colonnes')
+                        #affichage de la figure 
+                        st.pyplot(fig)
+
+                #menu Prediction Score_risK         
+                if choice == "CLASSIFICATION":
+                    page_bg_img = f"""
+                    <style>
+                    [data-testid="stAppViewContainer"] > .main {{
+                    background-image: url("https://images.unsplash.com/photo-1501426026826-31c667bdf23d");
+                    background-size: 250%;
+                    background-position: top left;
+                    background-repeat: no-repeat;
+                    background-attachment: local;
+                    }}
+
+                    [data-testid="stSidebar"] > div:first-child {{
+                    background-image: url("data:image/png;base64,{img}");
+                    background-position: top left; 
+                    background-repeat: no-repeat;
+                    background-attachment: fixed;
+                    }}
+
+                    [data-testid="stHeader"] {{
+                    background: rgba(0,0,0,0);
+                    }}
+
+                    [data-testid="stToolbar"] {{
+                    right: 2rem;
+                    }}
+                    </style>
+                    """
+                    st.markdown(page_bg_img, unsafe_allow_html=True)
+                    st.markdown("<h1 style='text-align:center;color: red;'>CLASSIFICATION DES INDIVIDUS </h1>",unsafe_allow_html=True)
+                    
+                    #inporter un data set pour faire une classification
+                    
+                    uploaded_file = st.sidebar.file_uploader("Importer un le DATASET", type=["csv"])
+                    if uploaded_file is not None:
+                        data = load_data(uploaded_file)
+
+                        from pycaret.classification import *
+                        
+                        # Charger les données
+                        #data = pd.read_csv('credit_risk_predict.csv')
+
+                        # Initialiser l'environnement de classification
+                        clf = setup(data=data, target='loan_status', session_id=123)
+
+                        # Comparer les modèles
+                        #compare_models()
+
+                        # Créer le modèle
+                        #model = create_model('lightgbm')
+                        model = joblib.load("credit.pkl")
+
+                        # Afficher les performances du modèle
+                        #plot_model(model, plot='auc')
+
+                        # Prédire les valeurs sur de nouvelles données
+                        predictions = predict_model(model)
+                        
+                        # Afficher les prédictions
+                        predictions.prediction_label.replace(0, "Crédit accordable", inplace = True)
+                        predictions.prediction_label.replace(1, "Credit à risque",inplace = True)                        
+                        st.write(predictions)
+
+                        #pour télécharger le dataset deja classé
+                        def filedownload(data):
+                            csv = data.to_csv(index=False)
+                            b64 = base64.b64encode(csv.encode()).decode()  # strings <-> bytes conversions
+                            href = f'<a href="data:file/csv;base64,{b64}" download="credit_risk_dataset_1.csv">Download CSV File</a>'
+                            return href
+                        button = st.button("Download (télécharger)")
+                        if button:
+                            st.markdown(filedownload(predictions), unsafe_allow_html=True)
+
+                    
+                    
+                
+                #menu Prédiction
+                if choice == "PRÉDICTION":
+
+                    #image de font 
+
+                    page_bg_img = f"""
+                    <style>
+                    [data-testid="stAppViewContainer"] > .main {{
+                    background-image: url("https://images.unsplash.com/photo-1501426026826-31c667bdf23d");
+                    background-size: 250%;
+                    background-position: top left;
+                    background-repeat: no-repeat;
+                    background-attachment: local;
+                    }}
+
+                    [data-testid="stSidebar"] > div:first-child {{
+                    background-image: url("data:image/png;base64,{img}");
+                    background-position: top left; 
+                    background-repeat: no-repeat;
+                    background-attachment: fixed;
+                    }}
+
+                    [data-testid="stHeader"] {{
+                    background: rgba(0,0,0,0);
+                    }}
+
+                    [data-testid="stToolbar"] {{
+                    right: 2rem;
+                    }}
+                    </style>
+                    """
+                    st.markdown(page_bg_img, unsafe_allow_html=True)
+
+                    model = joblib.load("credit.pkl")
+
+                    df = pd.read_csv("credit_risk_dataset.csv")
+                    #selected_features=["person_age","person_income","person_home_ownership_MORTGAGE","person_home_ownership_OTHER","person_home_ownership_OWN","person_home_ownership_RENT","person_emp_length","loan_intent_DEBTCONSOLIDATION","loan_intent_EDUCATION","loan_intent_HOMEIMPROVEMENT","loan_intent_MEDICAL","loan_intent_PERSONAL","loan_intent_VENTURE","loan_grade_A","loan_grade_B","loan_grade_C","loan_grade_D","loan_grade_E","loan_grade_F","loan_grade_G","loan_amnt","loan_int_rate","loan_percent_income","cb_person_default_on_file","cb_person_cred_hist_length"]
+
+                    selected_features= ["person_age","person_income","person_home_ownership","person_emp_length","loan_intent","loan_grade","loan_amnt","loan_int_rate","loan_percent_income","cb_person_default_on_file","cb_person_cred_hist_length"]
+
+                    st.title("Prédiction du ristque de crédit") 
+                    st.write("Remplissez les champs")
+
+                    user_input = []
+
+                    for feature in selected_features:
+                        if feature == "person_home_ownership"  or feature == "loan_intent" or feature == "loan_grade" or feature =="cb_person_default_on_file":
+                            value = st.text_input(f"Entrez la valeur  ppour {feature}")
+                        else:
+                            value = st.number_input (f"Entrez la valeur  ppour {feature}")
+                        user_input.append(value)
+
+                    user_data = pd.DataFrame([user_input], columns=selected_features)
+
+                    st.subheader('User Input parameters')
+                    st.write(user_data)
+
+                    if st.button("Prediction"):
+                        prediction = model.predict(user_data) 
+                        prediction_proba = model.predict_proba(user_data)
+                        st.write("la prédiction est : ", prediction )
+
+                        if prediction == 1:
+                            st.write("positif") 
+                        else:
+                            st.write("negative")
+
+                        st.subheader('Prediction Probability')
+                        st.write(prediction_proba)
+                        #    value = st.number_input(f"Entrez la valeur pour {feature}")
+                        #    user_input.append(value)
+
+
+                    #tab1, tab2 = st.tabs([":clipboard: Data",":bar_chart: Visualisation", ":angry: :smile: Prediction"])
+                    #uploaded_file = st.sidebar.file_uploader("Importer un le DATASET", type=["csv"])
+                    #if uploaded_file is not None:
+                    #    df = load_data(uploaded_file)
+                    #   
+                    #    with tab1:
+                    #        st.subheader("Loaded dataset")
+                    #        st.write(df)
+
+                    #    with tab2:
+                    #        st.subheader("REPRESENTATION")
+        
+                        #with tab3:
+                        #    data =load_model("credit_risk_prop")
+                        #    prediction = data.predict(df)
+                        #    st.subheader('Prediction')
+                        #    pp = pd.DataFrame(prediction,columns=["Prediction"])
+                        #    ndf = pd.concat([df,pp],axis=1)
+                        #    ndf.Prediction.replace(0, "NO Credit_Risk", inplace = True)
+                        #    ndf.Prediction.replace(1, "Credit_Risk", inplace = True)
+                        #    st.write(ndf)
+                        #    def filedownload(df):
+                        #        csv = df.to_csv(index=False)
+                        #        b64 = base64.b64encode(csv.encode()).decode()  # strings <-> bytes conversions
+                        #        href = f'<a href="data:file/csv;base64,{b64}" download="credit_risk_dataset_prop.csv">Download CSV File</a>'
+                        #        return href
+                        #    button = st.button("Download (telecharger)")
+                        #    if button:
+                        #        st.markdown(filedownload(ndf), unsafe_allow_html=True)
+
+  
+            elif not authentication_status: 
+                with info:
+                    st.error('Incorrect Password or username')
+            else:
+                with info:
+                    st.warning('Please feed in your credentials')
+        else:
+            with info:
+                st.warning('Username does not exist, Please Sign up')
+
+
+except:
+    st.success('Refresh Page')